Na conferência Computer Vision and Pattern Recognition (Visão Computacional e Reconhecimento de Padrões) ocorrida esta semana em Las Vegas, cientistas e pesquisadores da Microsoft revelaram seu mais recente avanço no aprendizado de máquinas em reconhecimento de imagens.

Mais especificamente, eles demonstraram suas realizações com sistemas de visão computacional capazes de descrever características chave em vídeos. Entre outras coisas, essas inteligências artificiais são capazes de determinar a pessoa mais importante em um vídeo, detectar e rastrear extremidades específicos de corpos e, mais importante, descrever o que elas "viram".

Esse sistema de detecção de extremidades foi demonstrado através de um exemplo, em que a IA foi capaz de seguir as pernas de tigres. Eles explicaram que a mesma tecnologia também pode ser usada não só para rastrear partes individuais do corpo das pessoas, mas também máquinas e basicamente qualquer outro objeto.

A característica que determina quais são os "eventos e atores chave" foi desenvolvida pelo Google em colaboração com Stanford e cria a chamada "máscara de atenção" para cada quadro do vídeo analisado.

Depois de determinar o que está em foco durante a maior parte dos quadros, ele pode classificar de forma relativamente confiável a relevância de cada pessoa e objeto presente na filmagem.

Por fim, os pesquisadores apresentaram um sistema de inteligência artificial capaz de descrever com precisão imagens em grandes detalhes. Essa característica, bem parecida com o que a Microsoft tem desenvolvido, é potencialmente útil para deficientes visuais, mas além disso, inteligências capazes de "entender" o que estão vendo podem se tornar muito mais útil quando puderem interagir mais diretamente com seres humanos.