São Paulo — InkDesign News —
Pesquisadores da Universidade de Nova York (NYU) estão desenvolvendo um algoritmo inovador que permite sistemas de inteligência artificial (AI) aprenderem do ambiente ao seu redor, especialmente em cenários urbanos complexos. Este avanço pode ser crucial para melhorar a acurácia em tecnologias como carros autônomos.
Contexto da pesquisa
Embora as tecnologias de visão computacional tenham avançado significativamente na identificação de imagens simples, os desafios persistem quando se trata de reconhecer cenários mais complexos, como interseções movimentadas. A capacidade de identificar simultaneamente diversos objetos em um ambiente dinâmico, como veículos e pedestres, é essencial para aplicações de AI, especialmente em veículos autônomos.
Método proposto
A abordagem desenvolvida pelos pesquisadores da NYU, chamada PooDLe, se inspira na forma como os humanos e animais processam cenas visualmente sobrecarregadas. O algoritmo utiliza o conceito de “fluxo óptico”, que coleta dados sobre o movimento de pixels entre quadros de vídeo, permitindo acompanhar objetos em movimento, como um pedestre atravessando a rua.
“Podemos desenvolver um algoritmo de aprendizado que lida diretamente com os dados que experimentamos—ao invés de apenas reconhecer imagens simples na tela de um computador.”
(“Can we develop a learning algorithm that can directly handle data coming from what we experience—as opposed to merely recognizing simple images on a computer screen?”)— Mengye Ren, Professor Assistente, NYU
Resultados e impacto
A tecnologia tem potencial para aprimorar a identificação de tanto objetos grandes quanto pequenos, como carros, semáforos e ciclistas. O objetivo da equipe é continuar a evolução do PooDLe para que ele possa perceber uma variedade ainda maior de elementos em uma cena. Essa pesquisa pode impactar significativamente áreas como a segurança viária e a navegação autônoma.
O modelo foi testado em datasets que simulam cenários urbanos complexos, embora as métricas de desempenho específicas ainda não tenham sido divulgadas. Os benchmarks atuais demonstram que o algoritmo é capaz de identificar regiões de objetos ao longo do tempo, melhorando substancialmente a precisão nas aplicações de visão computacional.
As aplicações futuras do PooDLe incluem não apenas veículos autônomos, mas também sistemas de monitoramento em tempo real, robôs de entrega e assistentes pessoais que operam em ambientes dinâmicos.
Fonte: (TechXplore – Machine Learning & AI)
