Podcast Tema 01 - Audiodescrição (PDF para download)

Prévia do material em texto

<p>Podcast</p><p>Disciplina: Desenvolvimento de aplicações IA – robótica, imagem e visão</p><p>computacional</p><p>Título do tema: Introdução à Visão Computacional, Elementos e</p><p>processamento de imagens digitais</p><p>Autoria: Yuri Vasconcelos de Almeida Sá</p><p>Leitura crítica: Gustavo de Lins e Horta</p><p>Abertura:</p><p>Olá, tudo bem? No podcast de hoje vamos falar de modelos computacionais</p><p>simples para processamento de imagens que podem bater os moderninhos, ou</p><p>ainda da combinação deles.</p><p>Nós realmente vivemos na era de ouro da inteligência artificial e machine</p><p>learning, hoje é muito fácil utilizar modelos e algoritmos ricos e totalmente</p><p>acessíveis, gratuitos e o melhor, open source. E todos eles podem ser</p><p>utilizados de uma forma ou de outra no processamento de imagens digitais.</p><p>Mas na nossa sede de processar grandes volumes de dados em modelos</p><p>moderninhos como YOLO, Redes Neurais Convolucionais, Classificadores e</p><p>outros, acabamos por nos esquecer que uma análise bem-feita pode evitar</p><p>tudo isso, e todo o sofrimento que eles trazem com eles, como hardware caro,</p><p>longos tempos de treino, classificação manual para o treinamento e extração</p><p>de características, por exemplo.</p><p>No princípio do processamento de imagens digitais, a verdade é que nós não</p><p>tínhamos hardware capazes de processar por força bruta. Precisávamos de</p><p>largas doses de QI e conhecimento matemático estatístico.</p><p>Uma aplicação que expõe muito isso é uma classificação de imagens básica.</p><p>Alguém com pouca experiência e falta de conhecimento dos modelos clássicos</p><p>de classificação pode querer já utilizar estes modelos modinha, isso vai</p><p>acarretar uma série de dissabores, começando por criar uma seleção de</p><p>treinamento. Só aí já vai um tempo de trabalho manual que nós não</p><p>necessariamente temos, ou estamos sendo remunerados para isso. Depois de</p><p>escolher as imagens para o treinamento, é necessário extrair as</p><p>características, treinar o modelo e atestar suas métricas e qualidades.</p><p>Neste caso específico de classificação temos uma gama enorme de técnicas e</p><p>estratégias que são muito boas, com uma eficiência alta e muito baratos</p><p>computacionalmente, utilizando somente métodos estatísticos e operações</p><p>algébricas simples.</p><p>Podemos, por exemplo, criar filtros que exageram as características desejadas</p><p>e podemos classificar utilizando um algoritmo tradicional como K-Means ou</p><p>outro tipo de clusterização.</p><p>V</p><p>er</p><p>sã</p><p>o</p><p>Pode-se também fazer uma classificação com média simples, apenas uma</p><p>média dos valores de intensidade dos pixels e pronto, já podemos classificar</p><p>como acima ou abaixo da média. Tudo depende do modelo.</p><p>Claro que a manipulação e processamento de imagens pode se tornar</p><p>complexo muito rapidamente e estas técnicas tradicionais talvez não consigam</p><p>atingir os mesmos níveis de performance dos modelos mais modernos.</p><p>Utilizando filtros e kernels, que são os núcleos para efetuar operações</p><p>convolucionais nas imagens, nunca conseguiríamos efetuar reconhecimento</p><p>facial.</p><p>É importante seguir o caminho todo, exercitar todo o conhecimento, explorar</p><p>imagens e técnicas e o mais difícil de tudo: não ter preconceitos ou modelos</p><p>favoritos, tentar obter experiência o suficiente para começar pelos modelos</p><p>mais simples e se o caso exigir evolua para algo mais complexo.</p><p>Não seja clubista no seu processo, redes neurais convolucionais são</p><p>maravilhosas e fazem coisas que eram impensáveis dez anos atrás, mas são</p><p>caras, complexas e de certa forma imprevisíveis.</p><p>Comece sempre debaixo para cima. E você pode ter surpresas muito</p><p>agradáveis.</p><p>Quanto menos tempo gastarmos na execução, no trabalho pesado. Mais tempo</p><p>nós temos para estudar e evoluir.</p><p>Fechamento:</p><p>Este foi nosso podcast de hoje! Até a mais!</p>