Pesquisa em IA desenvolve algoritmos para análise de imagens mais eficientes

Um avanço significativo na análise de imagens foi desenvolvido por pesquisadores da Unicamp, com financiamento da FAPESP, através do projeto “DeepOrder: ordenação profunda para morfologia matemática de valor vetorial e redes neurais”. O trabalho busca criar algoritmos mais eficientes para processar imagens digitais, especialmente as coloridas, que apresentam maior complexidade computacional.

Tradicionalmente, computadores analisam imagens coloridas separando os canais de cor (vermelho, verde e azul - RGB). Cada pixel é processado individualmente para cada cor, e o algoritmo precisa depois juntar essas informações. A pesquisa liderada por Marcos Eduardo Ribeiro do Valle Mesquita propõe uma nova abordagem: tratar cada pixel como uma entidade única desde o início. Isso é feito utilizando conceitos matemáticos como números hipercomplexos, que combinam partes reais e imaginárias para representar a cor de forma integrada.

O que são pixels e voxels?

Uma imagem digital é composta por pixels, pequenos quadrados que armazenam a cor de cada ponto. Em exames como a tomografia computadorizada, a unidade básica é o voxel, que representa um volume tridimensional e armazena informações sobre a absorção de raios X ou sinais de ressonância magnética. Imagens complexas, como as meteorológicas ou astronômicas, podem conter dezenas de valores por pixel ou milhares de canais de cor.

A inteligência artificial (IA) baseada em redes neurais, comum no dia a dia, geralmente processa esses dados canal por canal. O modelo precisa analisar separadamente o vermelho, o verde e o azul antes de compor a cor final. Essa abordagem demanda mais dados e processamento.

A inovação do DeepOrder

O projeto DeepOrder utiliza redes neurais com múltiplas camadas para analisar e ordenar pixels com vários canais de cor. A “ordenação profunda” decide qual valor de cor é “maior” ou “menor” quando não há um único número que resuma toda a informação. Para isso, o projeto se inspira no critério de Condorcet, um método de votação onde a opção vencedora é aquela que ganha em confrontos diretos contra todas as outras.

A pesquisa também explora o tratamento de cada pixel colorido como um número hipercomplexo. Em vez de processar R, G e B separadamente, cada cor é representada por um componente (i para vermelho, j para verde, k para azul), formando uma entidade única. Essa abordagem torna as redes neurais mais robustas, com menos parâmetros, mais fáceis de treinar e com maior capacidade de generalização.

Aplicações e Eficiência

A eficiência computacional gerada por essa nova metodologia é crucial, especialmente para países com menos infraestrutura de data centers, como o Brasil, que possui cerca de 220 instalações em comparação com mais de 5 mil nos Estados Unidos. A otimização de modelos permite que a IA rode em hardware mais acessível, promovendo a soberania tecnológica.

Em aplicações práticas, como no diagnóstico de leucemia a partir de lâminas de sangue, a rede neural de valor vetorial (que usa números hipercomplexos) alcançou 96,5% de acerto com 75% menos parâmetros que redes comuns. Apesar da precisão, a opacidade das redes neurais em diagnósticos médicos ainda gera ressalvas, pois o significado exato dos parâmetros ajustados durante o treinamento é difícil de interpretar. O DeepOrder busca, assim, trocar parte da força bruta da IA por modelos menores, mais eficientes e interpretáveis.