Uma breve introdução à visão computacional

Uma breve introdução à visão computacional é perfilada pela BTW Media porque evidências publicadas a vinculam à infraestrutura da internet, governança, dependências operacionais ou visibilidade de mercado.

• A visão computacional, frequentemente abreviada como CV, é definida como um campo de estudo que busca desenvolver técnicas para ajudar os computadores a “ver” e entender o conteúdo de imagens digitais, como fotografias e vídeos.
• Ela utiliza aprendizado de máquina, especificamente aprendizado profundo, e redes neurais convolucionais para analisar dados.

A visão computacional é um campo da IA que utiliza aprendizado de máquina e redes neurais para permitir que computadores e sistemas extraiam informações significativas de imagens digitais, vídeos e outras entradas visuais. Isso permite que eles façam recomendações ou tomem ações em resposta a defeitos ou problemas que eles percebem.

O que é visão computacional?

A visão computacionalaplica aprendizado de máquina a imagens e vídeos para entender mídia e tomar decisões com base neles. Essencialmente, ela dá ao software e à tecnologia a capacidade de “ver.”

Se a IA permite que os computadores pensem, a visão computacional permite que eles vejam, observem e entendam. Embora a visão computacional funcione de forma semelhante à visão humana, os humanos têm a vantagem da experiência contextual para distinguir entidades, julgar distâncias, detectar movimento ou identificar anomalias em imagens.

Como funciona a visão computacional?

A visão computacional depende muito de dados. Ela analisa repetidamente os dados para discernir padrões e, finalmente, reconhecer imagens. Por exemplo, treinar um computador para identificar pneus de automóveis requer fornecer a ele imagens extensas de pneus e itens relacionados para aprender distinções e identificar com precisão pneus, especialmente aqueles sem defeitos. Duas tecnologias-chave usadas para esse propósito são aprendizado profundo eredes neurais convolucionais(CNNs).

O aprendizado de máquina emprega modelos algorítmicos que permitem que os computadores aprendam autonomamente o contexto dos dados visuais. Com dados suficientes, o computador aprende a diferenciar entre imagens por conta própria, em vez de por meio de programação explícita para reconhecimento de imagens.

Uma CNN auxilia os modelos de aprendizado de máquina ou aprendizado profundo ao dividir imagens em pixels marcados ou rotulados. Usando esses rótulos, a CNN realiza convoluções — uma operação matemática que combina duas funções para produzir uma terceira — e prevê o conteúdo que ela “vê”. A rede neural refina suas previsões por meio de convoluções iterativas, melhorando gradualmente a precisão até que suas previsões se alinhem com a realidade. Dessa maneira, ela percebe ou reconhece imagens de forma semelhante à percepção humana.

Leia também:Explorando a visão computacional por meio da direção autônoma

Leia também:Por que a visão computacional é tão difícil?

História da visão computacional

Por aproximadamente 60 anos, cientistas e engenheiros têm se esforçado para desenvolver métodos para que máquinas percebam e compreendam dados visuais. Os experimentos iniciais em 1959 envolveram neurofisiologistas apresentando conjuntos de imagens a gatos para observar as respostas cerebrais correspondentes.

Os anos 1960 testemunharam o surgimento da IA como uma disciplina acadêmica, marcando o início dos esforços para enfrentar os desafios da visão humana.

Em 1974, foi introduzida a tecnologia de reconhecimento óptico de caracteres (OCR) capaz de identificar texto independentemente da fonte ou tipo de letra. Da mesma forma, o reconhecimento inteligente de caracteres (ICR) podia decifrar texto manuscrito usando redes neurais.

Em 1982, o neurocientista David Marr estabeleceu a natureza hierárquica da visão e introduziu algoritmos que permitiam às máquinas detectar bordas, cantos, curvas e outras formas básicas.

Por volta de 2000, o foco mudou para o reconhecimento de entidades, culminando na estreia de aplicações de reconhecimento facial em tempo real em 2001. Ao longo dos anos 2000, a padronização da marcação e anotação de conjuntos de dados visuais ganhou destaque.