Pesquisadores da UCLA e do Laboratório de Pesquisa do Exército dos Estados Unidos estão desenvolvendo uma nova abordagem para aprimorar as tecnologias de visão computacional com inteligência artificial (IA). Essa abordagem envolve a incorporação de consciência baseada em física a técnicas orientadas por dados, visando melhorar a detecção, interação e resposta das máquinas ao ambiente em tempo real.
A Importância da Consciência Baseada em Física na Visão Computacional
A visão computacional permite que as IAs visualizem e compreendam o mundo ao seu redor por meio da decodificação de dados e da inferência de propriedades físicas a partir de imagens. No entanto, as técnicas tradicionais de visão computacional se concentram principalmente no aprendizado de máquina baseado em dados, deixando de lado os princípios físicos subjacentes aos desafios enfrentados nessa área.
Desafios de Incorporar a Física na Visão Computacional
Incorporar a compreensão da física no desenvolvimento de redes neurais tem sido um desafio. Redes neurais, inspiradas no cérebro humano, processam grandes conjuntos de dados de imagem para obter uma compreensão do ambiente. No entanto, pesquisas recentes estão explorando maneiras de adicionar elementos de consciência física em redes neurais já robustas e baseadas em dados.
A Abordagem Híbrida
A equipe de pesquisa da UCLA propõe uma metodologia híbrida que combina o conhecimento profundo dos dados com a expertise na física do mundo real. Essa abordagem visa criar uma IA híbrida com recursos aprimorados, capaz de entender e interagir com o ambiente de forma mais eficiente.
Como a Física e os Dados se Combinam na IA de Visão Computacional
A pesquisa identificou três maneiras de combinar a física e os dados na inteligência artificial de visão computacional:
1. Incorporação de Física nos Conjuntos de Dados de IA
Uma das estratégias consiste em adicionar informações físicas aos objetos nos conjuntos de dados, como velocidade e peso, de forma semelhante aos personagens em videogames.
2. Incorporação de Física nas Arquiteturas de Rede
Outra abordagem é aplicar um filtro de rede que codifica as propriedades físicas nas imagens capturadas pelas câmeras.
3. Incorporação de Física na Função de Perda da Rede
Utilizar o conhecimento físico para auxiliar a IA na interpretação dos dados de treinamento e na compreensão do ambiente observado.
Resultados Promissores
Essas três linhas de pesquisa já apresentaram resultados promissores no aprimoramento da visão computacional. Por exemplo, a abordagem híbrida permite que a IA rastreie e preveja com maior precisão o movimento de objetos, além de produzir imagens nítidas e de alta resolução mesmo em condições climáticas adversas.
Com o avanço contínuo dessa abordagem, as IAs baseadas em aprendizado profundo podem até mesmo aprender as leis da física por conta própria, abrindo novas possibilidades para a visão computacional.
Autores e Apoio à Pesquisa
O estudo foi conduzido por Achuta Kadambi, professor assistente de engenharia elétrica e de computação na UCLA. Outros autores incluem Celso de Melo, cientista da computação do Laboratório de Pesquisa do Exército, e Stefano Soatto, professor de ciência da computação na UCLA. Cho-Jui Hsieh, professor associado de ciência da computação, e Mani Srivastava, professor de engenharia elétrica e de computação e de ciência da computação, também contribuíram para o estudo.
A pesquisa recebeu apoio do Laboratório de Pesquisa do Exército, da National Science Foundation, do Programa de Jovens Investigadores do Exército, da Agência de Projetos de Pesquisa Avançada de Defesa, da Vayu Robotics, da Intrinsic (uma empresa da Alphabet) e da Amazon.
Conclusão
Com essa abordagem inovadora que combina consciência baseada em física com visão computacional, a IA tem o potencial de alcançar níveis mais altos de desempenho e eficiência. Isso abrirá novas possibilidades em áreas que dependem dessa tecnologia, como veículos autônomos, robótica e muito mais.
Fonte da história:
Informações fornecidas pela Universidade da Califórnia – Los Angeles. Observação: o conteúdo pode ser editado em termos de estilo e tamanho.
