A evolução da visão computacional: contribuições notáveis dos inventores

O artigo 'A evolução da visão computacional: contribuições notáveis dos inventores' é perfilado pela BTW Media porque as evidências publicadas o vinculam à infraestrutura da internet, governança, dependências operacionais ou visibilidade de mercado.

• Essas contribuições iniciais de pioneiros como Lawrence Roberts e Bela Julesz estabeleceram princípios e técnicas fundamentais que influenciaram profundamente o desenvolvimento da visão computacional.
• A evolução da visão computacional, desde as teorias fundamentais das décadas de 1970 e 1980 até os avanços revolucionários em redes neurais e aprendizado profundo nas décadas de 1990 e 2000, moldou significativamente a disciplina, levando a aplicações e metodologias inovadoras que são essenciais para a IA moderna e o processamento de imagens.
• O século XXI testemunhou um grande boom na visão computacional, com avanços e conquistas revolucionárias em aprendizado profundo e redes neurais que revolucionaram a classificação de imagens, detecção de entidades, segmentação, processamento de linguagem natural e muito mais, mostrando a profunda integração entre compreensão visual e IA.

A invenção e o desenvolvimento da visão computacional não foram realizados por uma única figura, mas foram gradualmente formados por muitos estudiosos, pesquisadores e engenheiros ao longo de um longo período e por meio de esforços conjuntos. O campo envolve a interseção de múltiplas disciplinas, incluindo ciência da computação, matemática, física, engenharia e neurociência.

Leia também:RoboVision garante US$ 42 milhões para melhorar a integração de IA na manufatura

Origem e desenvolvimento inicial da visão computacional

As raízes da visão computacional podem ser rastreadas até as décadas de 1950 e 1960, quando o advento e o desenvolvimento dos computadores eletrônicos lançaram as bases para o processamento de imagens e o reconhecimento de padrões.

Lawrence Roberts

Lawrence Roberts é considerado um dos pioneiros da visão computacional. Ele introduziu muitos dos conceitos e técnicas básicas da visão computacional em sua tese de doutorado de 1963, "Machine Perception of Three-Dimensional Solids". Seu trabalho lidou com como extrair informações tridimensionais de imagens bidimensionais, um dos problemas centrais da visão computacional. A pesquisa de Roberts lançou as bases para pesquisas posteriores em reconstrução 3D e visão estéreo.

Bela Julesz

Bela Julesz foi um psicólogo visual cuja pesquisa sobre estereogramas de pontos aleatórios na década de 1960 teve um impacto significativo na visão computacional. Julesz mostrou experimentalmente como o sistema visual humano percebe a profundidade a partir de imagens de pontos aleatórios, o que tem implicações importantes para a compreensão da estereopsia e da percepção de profundidade.

Leia também:Intel desenvolve o maior sistema de computação neuromórfica

Desenvolvimentos nas décadas de 1970 e 1980

Durante as décadas de 1970 e 1980, a visão computacional se consolidou como disciplina, e muitos conceitos e técnicas importantes foram desenvolvidos e promovidos nesse período.

David Marr

David Marr é outra figura importante no campo da visão computacional. Ele propôs uma série de teorias sobre processamento visual nas décadas de 1970 e 1980 que tentavam explicar como o sistema visual humano processa e entende a informação visual. Marr detalhou suas teorias em seu livro de 1982,Vision: A Computational Investigation into the Human Representation and Processing of Visual Information, incluindo um modelo hierárquico de processamento de informação visual.

Ele propõe que o processamento visual pode ser dividido em três estágios principais: esboço primário, esboço 2.5D e representação de modelo 3D. O trabalho de Marr teve um impacto profundo tanto na visão computacional quanto na neurociência.

John Hopfield e David Marr

O trabalho de John Hopfield e David Marr em reconhecimento de padrões e redes neurais também teve um impacto significativo na visão computacional. A rede de Hopfield foi um modelo inicial de rede neural que mostrou como problemas de reconhecimento de padrões poderiam ser resolvidos por computação neural. Esses estudos forneceram uma base teórica para tarefas de reconhecimento e classificação de imagens na visão computacional.

Desenvolvimentos modernos em visão computacional

A visão computacional fez grandes avanços em algoritmos, poder computacional e áreas de aplicação desde as décadas de 1990 e 2000.

Takeo Kanade

Takeo Kanade é um importante estudioso no campo da visão computacional e robótica. Ele desenvolveu vários sistemas e algoritmos importantes de visão computacional, incluindo reconhecimento facial, visão estéreo e navegação de robôs móveis. O trabalho de Takeo Kanade teve um amplo impacto tanto na academia quanto na indústria, e ele é um membro-chave do Departamento de Ciência da Computação e do Instituto de Robótica da Universidade Carnegie Mellon.

David Forsyth e Jean Ponce

David Forsyth e Jean Ponce são coautores de "Computer Vision: A Modern Approach", um importante livro-texto no campo da visão computacional que cobre uma ampla gama de tópicos, desde teoria básica até aplicações práticas. Amplamente usado no ensino e pesquisa em visão computacional, é um clássico no campo.

Geoffrey Hinton, Yann LeCun e Yoshua Bengio

O trabalho de Geoffrey Hinton, Yann LeCun e Joshua Bengio em redes neurais e aprendizado profundo revolucionou a visão computacional. Seu trabalho levou ao sucesso das redes neurais convolucionais (CNNs) em tarefas como classificação de imagens, detecção de entidades e segmentação semântica. Em particular, a vitória da AlexNet na competição ImageNet de 2012 marcou um avanço na aplicação do aprendizado profundo à visão computacional.

Boom do desenvolvimento da visão computacional

Desde o início do século XXI, o campo da visão computacional entrou em um período de boom. Durante esse período, a visão computacional alcançou muitos resultados surpreendentes, como mostrado na linha do tempo abaixo:

Em 2012, a AlexNet causou grande impacto na competição de classificação de imagens ImageNet, usando uma rede neural convolucional profunda (CNN) para derrotar todos os outros concorrentes, reduzindo a taxa de erro em 10 pontos percentuais.

Em 2014,GoogLeNete VGGNet (grupo de geometria visual) repetiram seu sucesso na competição ImageNet, usando estruturas CNN mais profundas e complexas para melhorar ainda mais o desempenho da classificação.

Em 2015, a ResNet (residual neural) estabeleceu um novo recorde na competição ImageNet, usando conexão residual para resolver o problema do treinamento difícil de redes profundas e reduzir a taxa de erro para abaixo do nível humano.

Em 2016, YOLO (you only look once) e SSD (single shot multibox detector) fizeram um avanço na tarefa de detecção de alvos, usando uma estrutura CNN de um estágio para alcançar detecção rápida e precisa de múltiplos alvos em uma imagem.

Em 2017, Mask R-CNN fez um avanço na tarefa de segmentação de alvos, alcançando segmentação precisa de múltiplos alvos em uma imagem usando uma estrutura CNN de dois estágios.

Em 2018, BERT (bidirectional encoder representations from transformers) fez um avanço na tarefa de processamento de linguagem natural, usando uma estrutura Transformer bidirecional para alcançar uma compreensão profunda da linguagem, fornecendo uma ferramenta poderosa para o processamento conjunto de imagens e texto.

Em 2019, AlphaStar fez um avanço no jogo Starcraft II, usando aprendizado por reforço e autoaprendizagem para treinar uma inteligência que superou os melhores jogadores humanos, demonstrando um alto grau de integração entre visão computacional e tomada de decisão.

Em 2020, GPT-3 fez um avanço na geração de linguagem natural, usando uma estrutura Transformer de 175 bilhões de parâmetros para gerar texto fluente e lógico, tornando possível a conversão entre imagens e texto.