20. Visão computacional, CNN e detecção de objetos

Visão computacional transforma imagens e vídeos em representações e decisões. Classificar uma imagem, localizar objetos e segmentar pixels são tarefas diferentes, com saídas e avaliações próprias. O capítulo explica a estrutura das CNNs e dos detectores, conectando operação matemática, qualidade dos dados e interpretação.

Com dados compreendidos e governados, avançamos para preparação, modelagem analítica, aprendizado de máquina e processamento em escala. Os capítulos ligam fundamentos, algoritmos e aplicações. Este é o capítulo 20 de 24 da disciplina Engenharia e Análise de Dados. Ele retoma Processamento de linguagem natural e utiliza essa base para avançar. Na sequência, estudaremos Sistemas de recomendação.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use Visão computacional, CNN e detecção de objetos para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

Imagem, canais e tarefas

Começamos por Imagem, canais e tarefas, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

Uma imagem é representada por valores com canais, escala, profundidade e espaço de cor definidos. O mesmo número de pixel não tem significado completo sem esse contexto. Bibliotecas podem usar canais antes ou depois das dimensões espaciais, como C×H×W ou H×W×C, além do eixo de batch. Trocar eixos incorretamente pode produzir erro ou entradas sem o significado esperado.

Classificação atribui rótulos à imagem como um todo; multilabel admite vários rótulos simultâneos. Detecção inclui classe e localização de uma quantidade variável de objetos. Segmentação semântica classifica pixels sem separar necessariamente instâncias da mesma classe; segmentação de instâncias produz uma máscara por objeto. Várias pessoas podem receber a mesma classe sem serem fundidas em uma única instância. A tarefa determina anotação, arquitetura e métrica.

Convolução e compartilhamento de parâmetros

Depois de compreender Imagem, canais e tarefas, passamos a Convolução e compartilhamento de parâmetros. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

Convolução aplica filtros locais compartilhados ao longo da imagem, produzindo mapas de características. O compartilhamento reduz parâmetros em relação a conexões independentes para cada posição e favorece equivariância a translações sob condições da operação. Isso não garante invariância completa a qualquer deslocamento, especialmente com bordas e subamostragem.

Filtros aprendem padrões locais como bordas e texturas e suas composições em camadas posteriores. Kernel convolucional é o filtro aplicado localmente; não é o mesmo mecanismo do kernel de similaridade usado em SVM. As hipóteses da CNN ajudam a modelar imagens, mas não eliminam necessidade de dados representativos. Um modelo pode aprender marcas de equipamento ou fundo em vez do objeto relevante.