IA permite a sistema de vigilância monitorar várias pessoas ao mesmo tempo

Pesquisadores do Gwangju Institute of Science and Technology (GIST), na Coreia do Sul, criaram um sistema de aprendizagem profunda capaz de rastrear vários objetos ao mesmo tempo, sem comprometer a velocidade e a precisão do dispositivo. O novo modelo de rastreamento utiliza uma técnica conhecida como associação de correspondência de aparência temporal profunda (Deep-TAMA).

Esse sistema consegue discriminar a aparência de diferentes objetos, evitando que os algoritmos de reconhecimento misturem vários itens na mesma cena e gerem resultados incorretos, como a sobreposição de imagens ou a dificuldade de identificação de materiais com formatos e tamanhos parecidos.

O método proposto pelos cientistas permite a comparação de duas entradas de dados distintas, que podem ser usadas na modelagem de aparência adaptativa sem causar ambiguidade do objeto observado. Essa abordagem também impede a falha na detecção de materiais em ambientes com variações de cor e luminosidade.

Inferência conjunta

Para conseguir um modelo capaz de extrair as características de um objeto com mais precisão e compará-las em tempo real com um histórico registrado previamente, os pesquisadores combinaram redes neurais de inferência conjunta (JI-Nets) com redes de memória de longo e curto prazo (LSTMs).

Os LSTMs associam as aparências armazenadas, enquanto os JI-Nets comparam os aspectos comuns entre dois objetos detectados simultaneamente. Ao usar essa abordagem, os cientistas deram ao algoritmo a capacidade de superar obstruções e variações de curto prazo durante o processo de rastreamento.

“Comparado aos métodos convencionais que pré-extraem características de cada objeto de forma independente, o método de inferência conjunta apresentou uma melhor precisão em tarefas de vigilância pública complexas, como o rastreamento de pedestres em locais de grande aglomeração”, explica o professor de engenharia elétrica Moongu Jeon, autor principal do estudo.

Em tempo real

Embora os computadores consigam detectar objetos simultaneamente com certa eficácia, eles levam muito tempo para processar os dados, impedindo o uso contínuo em aplicações que exijam rastreamento e identificação em tempo real, como em sistemas urbanos de reconhecimento facial ativo.

A equipe do GIST conseguiu compensar essa falta de velocidade ao adotar um sistema de GPUs em paralelo baseado em processos de indexação. Esse método reduz o tempo de processamento e acelera a capacidade computacional de todo o conjunto, permitindo uma detecção mais precisa quase instantaneamente.

“O rastreamento de vários objetos ao mesmo tempo desbloqueia uma infinidade de aplicações, que vão desde a direção autônoma até a vigilância pública, além de ajudar a combater o crime e a reduzir a frequência de acidentes. Acreditamos que nossos métodos podem inspirar outros pesquisadores a desenvolver novas abordagens baseadas em aprendizagem profunda”, conclui o professor Moongu Jeon.