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 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 em uma maçã:
você já parou para pensar

em como você tem certeza de 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 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 é da mesma forma:
qual é o vermelho de uma maçã

e por que não é igual ao vermelho
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, quantitativa.

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 a gente descobriu que esse
conjunto de parâmetros,

que a gente nem sabe
nomear, forma 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,

em que eu estou mostrando
um modelo, chamado YOLO,

esse modelo é utilizado, 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 de 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

de "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,

ou quando tem uma pessoa,
ou 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 acurácia muito grande

nessa linha de, de fato, compreender
todos os itens da imagem

e trazer uma resposta muito
mais cheia de complexidade.