Aprendizagem automática prática para visão computacional

Posfácio

Em 1966, Seymour Papert, professor do MIT, lançou um projeto de verão para os seus alunos. O objetivo final do projeto era nomear objetos em imagens, combinando-os com um vocabulário de objetos conhecidos. De forma útil, dividiu a tarefa em subprojectos e esperava que o grupo a concluísse em poucos meses. É seguro dizer que o Dr. Papert subestimou um pouco a complexidade do problema.

Começámos este livro por analisar abordagens ingénuas de aprendizagem automática, como as redes neurais totalmente ligadas, que não tiram partido das caraterísticas especiais das imagens. No Capítulo 2, experimentar as abordagens ingénuas permitiu-nos aprender a ler imagens e a formar, avaliar e prever com modelos de aprendizagem automática.

Em seguida, no Capítulo 3, introduzimos muitos dos conceitos inovadores - filtros evolutivos, camadas de pooling máximo, conexões de salto, módulos, ativação de compressão e assim por diante - que permitem que os modelos modernos de aprendizado de máquina funcionem bem na extração de informações de imagens. A implementação destes modelos, em termos práticos, envolve a utilização de um modelo Keras incorporado ou de uma camada TensorFlow Hub. Também abordámos em pormenor a aprendizagem por transferência e o ajuste fino.

No Capítulo 4, vimos como utilizar os modelos de visão por computador abordados no Capítulo 3 para resolver dois problemas mais fundamentais da visão por computador: a deteção de objectos e a segmentação de imagens.

Os capítulos seguintes ...