Vamos analisar cada uma das afirmativas sobre métodos inteligentes em processamento de imagens: ( ) Modelos de Machine Learning não consomem muitos recursos computacionais. É falsa (F). Modelos de Machine Learning, especialmente os mais complexos, como redes neurais profundas, geralmente consomem muitos recursos computacionais. ( ) Não podem ser usados métodos de Soft Computing em processamento de imagens. É falsa (F). Métodos de Soft Computing, como redes neurais e lógica fuzzy, são frequentemente utilizados em processamento de imagens. ( ) Métodos discricionários são um grupo de algoritmos de Machine Learning. É falsa (F). O termo "métodos discricionários" não é comumente utilizado para descrever algoritmos de Machine Learning. Os algoritmos de Machine Learning podem ser classificados em supervisionados, não supervisionados, entre outros, mas não como "discricionários". ( ) Modelos de Machine Learning possuem uma performance de identificação e classificação de imagens superior à do ser humano. É verdadeira (V). Em muitos casos, modelos de Machine Learning, especialmente com o uso de redes neurais convolucionais, têm demonstrado desempenho superior ao humano em tarefas específicas de identificação e classificação de imagens. ( ) Os modelos de processamento de imagens inteligentes evoluíram muito nos últimos anos devido à popularização e barateamento de hardware com mais capacidade de processamento. É verdadeira (V). O avanço do hardware, como GPUs e TPUs, permitiu o desenvolvimento e a implementação de modelos mais complexos e eficientes em processamento de imagens. Portanto, a sequência correta é: F - F - F - V - V.