Reconhecimento visual por “Assinatura Única”

As tecnologias de reconhecimento visual necessariamente nem sempre funcionam via a Deep Learning.

Uma solução de reconhecimento visual consiste em comparar um objeto ou imagem de referência com um conjunto de outros objetos/imagens e então identificar uma ou mais “correspondências”. Ou seja, para responder à pergunta "É a mesma imagem?"

Existe uma solução que consiste em analisar uma imagem (ou um objeto) para atribuir-lhe uma descrição visual denominada “Assinatura Única”. Ao usar essa assinatura, a solução é capaz de detectar e identificar imagens próximas a uma imagem de solicitação.  

A Assinatura Única – Como funciona?

Esta tecnologia oferece um desempenho notável no mercado de Visão Computacional. Especialmente em casos de uso em que treinar um modelo de aprendizado profundo seria muito complexo, caro ou demorado, por outro lado, resolveu a questão do tempo de aprendizagem upstream. Seu algoritmo é capaz de analisar com precisão a

s características de uma imagem ou de um objeto.

Não se trata de classificar uma imagem por tipologia (paisagem, rosto, animal, objeto inanimado…), mas sim por características visuais (curvatura, opacidade, modelo 3D, textura, cores dominantes e outros metadados diversos).

Na prática, em um caso de reconhecimento visual, uma única imagem de referência é suficiente e esta é analisada apenas uma vez para atribuir sua assinatura única. Para identificar duas imagens semelhantes, suas assinaturas são comparadas diretamente entre si, o que melhora

consideravelmente o tempo de resposta da ferramenta em relação ao mercado: 0,3 segundos para reconhecer uma imagem em média!

Benefícios

A solução de reconhecimento visual baseada neste princípio de "assinatura única" tem as seguintes vantagens:

Uma imagem é su

ficiente: não há mais necessidade de centenas de versões de uma imagem de referência para identificá-la com certeza e não há mais necessidade de anotá-las. Esta é uma economia significativa de tempo e energia!

Não é necessário tempo de treinamento e aprendizado do modelo, pois a tecnologia é desenvolvida para extrair informações de uma imagem im

ediatamente.

A tecnologia é robusta, independentem

ente do tipo de imagem de referência inicial. Não reutiliza as características de um modelo antigo ou um conjunto de dados próximo ao seu problema (sem transfe

rência de aprendizado)

Confidencialidade dos dados: por outro lado, não reutiliza o conteúdo que você envia na ferramenta para treinar e melhorar seu algoritmo.

Economia de energia: menos ganancioso em poder de computação do que soluções equivalentes baseadas em Deep Learning, essa tecnologia usa componentes mais eficientes para uma pegada de energia menor.