VC CAP01 2025 VA02 VISAO COMPUTACIONAL APLICACOES E PROCESSAMENTO DIGITAL

A visão computacional se difundiu
a partir do uso de redes neurais,

ou seja, modelos
que aprendem com dados.

Mas, antes de chegar
nas redes neurais,

a gente precisa entender como
um computador entende uma imagem,

como ele faz conta, como ele
consegue processar os dados

até produzir uma aplicação
como um carro autônomo.

E é isso que a gente
vai ver agora

sobre o processamento
digital de imagens,

como o computador
enxerga uma imagem

e como essas imagens são processadas
até chegar em uma aplicação final.

O primeiro passo, então,
é entender um pouco

como o computador
enxerga uma imagem.

Um computador enxerga uma imagem
como quase tudo que ele enxerga,

como número, então uma imagem
para um computador é uma matriz,

ou seja, como se fosse
uma tabela de números,

e essa tabela de números representa
a intensidade de cada pixel.

Então, nessa tabela,
ou nessa matriz,

cada elemento dessa matriz,
cada número dessa matriz

representa a intensidade
de cor de cada pixel.

Então, cada elemento
é um pixel

e cada valor desse elemento é
a intensidade de cor desse pixel.

Então, como toda matriz,
a gente tem linhas e colunas,

a quantidade de linhas e colunas
define a resolução da imagem

e os valores dessa matriz
representam a intensidade de cor

de cada pixel pertencente
a essa matriz.

Isso se a imagem for uma imagem
em escala de cinza, ou seja,

que possui apenas
um canal de cor.

Porém, uma imagem colorida,
como a gente conhece,

possui três canais de cores,
R, G e B, ou vermelho, verde e azul.

E a sobreposição
dessas matrizes,

ou seja, a sobreposição
dessas intensidades de cores

é que vai formar
o espectro de cores

que a gente consegue ver na maioria
das imagens que a gente tem acesso.

Como uma imagem é um conjunto
de números, uma matriz de números,

ou matrizes de números,
a gente precisa entender, agora,

como um computador pode aprender
padrões com base nesses números.

Então, a gente pode pensar assim:
como um computador aprende

que aquela imagem
possui uma pessoa?

Ou como o computador
aprende, por exemplo,

que a rua está nessa direção
e você precisa virar à direita?

Então, de alguma forma,
os computadores fazem contas

com esses números,
com essas matrizes,

e conseguem aprender padrões.

Então, a gente pode
fazer uma analogia

com machine learning tradicional,
ou com redes neurais.

Um modelo de machine learning
tradicional aprende com dados.

Então, as imagens são os dados da visão computacional de modelos que

são utilizados, e a gente vai ter que entender como que os modelos

conseguem aprender a partir desse tipo de dado novo que é uma imagem.

Então, olhando para esse exemplo aqui, a gente pode pensar em como a

gente consegue aprender padrões para depois entender como o

computador faz isso.

Então, pensando numa maçã, você já parou para pensar como que você

tem certeza que essa imagem aqui é de uma maçã?

Provavelmente, você deve estar pensando pela forma, pela cor, pela

textura, talvez, da imagem.

Ou seja, uma série de atributos que uma imagem vai ter para a gente

classificá-la como uma maçã.

O grande ponto importante aqui é saber que, na nossa cabeça,

qualitativamente, faz sentido pensar dessa forma.

Mas um computador, ele é extremamente quantitativo.

Ou seja, se a gente pensar na forma, a gente teria que pensar qual

seria uma forma que só uma maçã tem?

Ou como que eu quantifico essa forma?

0,2 redonda, 0,3 quadrada.

Então, a gente não consegue dar com exatidão essas formas.

Com a cor, da mesma forma.

Qual é o vermelho de uma maçã e por que não é igual ao

vermelho de uma morango, de um morango, por exemplo?

E aí, a gente começa a entender que, de fato, se a gente tivesse

que criar uma regra que definisse uma maçã, quantitativamente, a

gente não conseguiria fazer isso.

A grande dificuldade é, o computador precisa aprender isso de alguma

forma, de certa forma, quantitativo.

Se a gente quiser ir além e ser um pouco mais preciso, a gente

pode até pensar que a cor, de certa forma, sozinha, não é um

parâmetro importante.

Por quê?

Se essa maçã da tela tivesse azul, você ainda saberia que é uma maçã

azul.

Então, basicamente, o problema que a gente tem que resolver é, como

que a gente descobriu que esse conjunto de parâmetros que a gente nem

sabe nomear, formam uma maçã?

E a resposta para isso é dados.

Então, a gente aprendeu com base em dados.

A gente já viu, durante a nossa vida, muitos exemplos de maçã, e a

gente teve confirmações, de alguma forma, de que aquilo é uma maçã.

Então, os computadores aprendem da mesma forma.

Eu preciso dar para eles vários exemplos de imagens e dar para ele a

confirmação de que aquilo é uma maçã, ou é um cachorro, ou é um

gato, ou é um carro, o que aquela imagem quer dizer.

Então, eu trouxe aqui um outro exemplo, onde eu estou mostrando aqui

um modelo, chamado YOLO.

Esse modelo, ele é utilizado, ele é treinado para identificar

objetos, para detectar objetos.

Então, acima a gente tem uma imagem de uma rua, movimentada, com

pessoas, pedestres, veículos.

E a gente tem, embaixo, a resposta de um modelo treinado para

detectar objetos.

Ou seja, eu treinei um modelo com vários exemplos de imagens que

possuíam pessoas, carros, entre outros, sinais de trânsito.

E eu disse para ele, esse quadradinho aqui tem uma pessoa, esse

quadradinho aqui tem um carro, esse quadradinho aqui tem um sinal de

trânsito.

Conforme eu faço isso para milhares e milhares de imagens, com o

tempo esse modelo vai aprender a reconhecer em novas imagens cada um

desses objetos, e fazer um quadradinho nesse objeto.

Então, isso é uma aplicação de um modelo de visão computacional para

detectar objetos.

Da mesma forma, eu posso utilizar o mesmo exemplo, porém aplicando

sobre essa imagem um modelo que a gente chama de segmentação de

objetos.

Ou seja, ao invés de eu treinar um modelo para fazer um quadradinho

em cada objeto reconhecido, detectado, esse modelo pega todo o

contorno do objeto.

E o nível de aplicações que esse modelo vai conseguir aderir bem, vai

ser aplicações diferentes de aplicações que eu preciso só detectar o

objeto.

Então, a gente pode pensar que o que o modelo vai aprender depende

muito mais dos dados que eu vou ter, das arquiteturas dos modelos, e

também do que eu vou usar como variável resposta.

Então, se eu usar uma caixinha ao redor dos objetos, o modelo vai

aprender a achar caixinhas, colocar objetos dentro de caixinhas.

Se eu treinar com um contorno, ele vai aprender o contorno.

Se eu quiser só dar um valor 1 quando tem um carro na imagem

e 0 quando não tem, ele vai aprender sempre a dar 1 ou 0

quando não tem.

Então, isso basicamente é a dinâmica do que a gente chama de

aprendizado supervisionado.

E ele também pode ser aplicado no contexto de visão computacional.

Com o tempo e com a evolução das aplicações, das redes neurais, dos

estudos, a gente chegou no que a gente pode chamar do estado da arte

hoje.

Então, mesmo que a gente tenha modelos que possam classificar

imagens, que possam segmentar, identificar objetos, a gente começou a

criar modelos muito mais complexos conforme tanto a tecnologia do

ponto de vista de pesquisa e ciência foi avançando, como também a

computação.

Então, hoje já é possível, por exemplo, falar do estado da arte da

visão computacional com modelos que de fato conseguem extrair muito

conhecimento da imagem.

Então, não só detectar uma caixinha quando tem um carro, quando tem

uma pessoa, um pedestre, mas também compreender a cena como um todo.

Então, a gente tem modelos, por exemplo, que conseguem dar uma

legenda para qualquer imagem.

A gente tem modelos que conseguem, a partir de uma legenda ou de um

prompt, gerar uma imagem ou um vídeo.

Então, se a gente sempre pensa que visão computacional está

relacionada a quando o computador consegue entender a história por

trás das imagens, os avanços que a gente tem hoje já estão muito

avançados e já conseguem entregar uma curácia muito grande nessa

linha de, de fato, compreender todos os itens da imagem e trazer uma

resposta muito mais cheia de complexidade.