ptzh-CNenfrdeitjarues

Modelos de Aprendizado Contínuo são destaque em competição internacional

Modelos de Aprendizado Contínuo são destaque em competição internacional

Resultados foram obtidos por doutorando de pesquisador do CeMEAI na área de IA

 

angelo

 

Sabe quando você termina a série ou o filme que estava assistindo na sua plataforma de streaming preferida e, em segundos, ao final dos créditos, a plataforma já te recomenda outro título? A sugestão feita pela plataforma, na verdade, pode ser a resposta de uma ferramenta de Inteligência Artificial que utiliza o Aprendizado Contínuo (CL) para processar a informação.

Com a intenção de reunir pesquisadores e engenheiros da academia e da indústria para discutir os últimos avanços nessa área ao redor do mundo, ocorre a competição CLVISION, organizada na Computer Vision and Pattern Recognition Conference (CVPR), principal evento anual de visão computacional, que reúne uma conferência e vários workshops e cursos de curta duração, com mais de 600 participantes.  

O aluno de doutorado do ICMC/USP-São Carlos Angelo Garangau Menezes, orientado por André Carlos Ponce de Leon Ferreira de Carvalho, pesquisador principal do Centro de Ciências Matemáticas Aplicadas à Indústria (CeMEAI), ficou entre os primeiros colocados nos desafios propostos na competição ocorrida em New Orleans, entre os dias 19 e 24 de junho.

Angelo explica que o workshop tem sempre o desafio de propor o desenvolvimento de modelos para aplicações criativas de visão computacional e, neste ano, a proposta aos participantes era avaliar o aprendizado contínuo de modelos incrementais para tarefas de reconhecimento de objetos.

“Os dados para a competição foram disponibilizados pelo META, com vídeos em primeira pessoa de indivíduos interagindo com objetos do dia a dia. O objetivo da empresa ao participar do desafio foi de avaliar propostas de aprendizado incremental para auxiliar na tarefa de percepção de ambientes e interação com objetos. A competição teve 3 trilhas, a primeira, de classificação incremental do objeto principal contido na imagem utilizando como base somente imagens em que um objeto centralizado ocupava a maior parte delas. Na Trilha 2, detecção incremental dos objetos da imagem e identificação deles no nível de categoria (com 277 possíveis categorias). E na Trilha 3, detecção incremental dos objetos da imagem e identificação deles no nível de instância (com 1111 possíveis objetos)”.

“Como existiam algumas restrições de tempo de execução e processamento dos modelos, focamos na elaboração de soluções para as trilhas mais difíceis (2 e 3) por serem parecidas e abordarem mais a área específica que já vínhamos trabalhando (detecção de objetos)”, explica Angelo, que também comentou os resultados. 

“Na Trilha 3, que foi naturalmente a mais difícil devido à quantidade de objetos e onde fizemos mais experimentos, ficamos em terceiro lugar no ranking final, atrás somente do pessoal da Huazhong University of Science and Technology e National University of Singapore, que são universidades fortes na área de visão computacional. Na Trilha 2, ficamos em quinto lugar no ranking final”, comemora.

Paradigma do Aprendizado Contínuo

É esta área investigada por Angelo Menezes (do inglês Continual Learning) para modelos de visão computacional baseados em redes neurais. 

“As redes neurais do nosso cérebro são capazes de processar informação de maneira contínua e incremental. Para modelos de redes neurais artificiais, não temos essa garantia por elas sofrerem de um efeito chamado “esquecimento catastrófico” (do inglês Catastrophic Forgetting). Então, para assegurar que o modelo aprenderá todas as informações a partir de um fluxo contínuo de dados, o padrão é armazenar todos os dados e treinar a rede do zero toda vez que novos dados chegam. Essa solução tem várias desvantagens, como, por exemplo, elevado custo computacional e de memória, uma vez que as melhores soluções usam redes neurais profundas e treinar redes neurais profundas geralmente demanda um alto tempo computacional, e consequentemente dinheiro, além dos possíveis problemas com relação à privacidade, uma vez que os dados necessariamente ficam armazenados de maneira centralizada”, explica. 

“Em particular, eu tenho investigado como treinar modelos de detecção de objetos que possam aprender de maneira contínua e incremental a partir somente de novas informações que chegam, sem necessidade de armazenar todos os dados que já foram utilizados em treinamentos anteriores”. 

Essa área de pesquisa é importante principalmente para o desenvolvimento de soluções para robótica, quando é preciso otimizar ao máximo o uso de memória e de processamento, e situações em que a privacidade dos dados precisa ser mantida. No entanto, como exemplificamos no início desse texto, as aplicações vão muito além, já que o Aprendizado Contínuo é um dos pilares principais da Inteligência Artificial.

 

Raquel Vieira – Comunicação CeMEAI

 

Mais informações

Assessoria de Comunicação do CeMEAI: (16) 3373-6609

E-mail: Este endereço de email está sendo protegido de spambots. Você precisa do JavaScript ativado para vê-lo.

Última modificação em Terça, 28 Junho 2022 20:06