Visão Computacional — CNNs, Detecção, Segmentação e ViTs

Visão Computacional (Computer Vision — CV) é o campo da IA que dota máquinas da capacidade de interpretar e compreender imagens e vídeos. Tarefas que humanos realizam instantaneamente — reconhecer um rosto, detectar um tumor numa radiografia, ler uma placa de trânsito — exigem modelos sofisticados para serem automatizadas.

Papers de referência: arXiv cs.CV — Computer Vision and Pattern Recognition

Hierarquia de tarefas em visão

CNNs — a base de visão computacional

Detalhes da arquitetura estão em Redes Neurais Profundas. O que importa especificamente para visão:

Por que convolução funciona para imagens?

1. Localidade: features relevantes (bordas, texturas) são locais — um filtro 3×3 captura contexto local de cada pixel
2. Invariância à translação: o mesmo padrão é detectado independente de onde apareça na imagem
3. Hierarquia de features: camadas iniciais detectam bordas → camadas médias detectam formas → camadas finais detectam objetos completos

Evolução das arquiteturas de classificação

Detecção de objetos

O problema

Classificação responde "o que há na imagem?" Detecção responde "o que há na imagem e onde está?"

Desafios:

• Múltiplos objetos de tamanhos e proporções variadas
• Sobreposição entre objetos
• Velocidade (aplicações em tempo real)

Two-stage detectors — R-CNN family

1. Region Proposal Network (RPN): propõe regiões candidatas com objetos
2. Classification head: classifica cada região proposta

Faster R-CNN (2015): altamente preciso, mas mais lento. Padrão em aplicações que priorizam acurácia.

One-stage detectors — YOLO family

YOLO (You Only Look Once) trata detecção como problema de regressão: divide a imagem em grade, cada célula prevê bounding boxes e classes simultaneamente em um único forward pass.

Vantagens: extremamente rápido (30-100+ FPS), adequado para tempo real.

# YOLOv8 — detecção em 3 linhas
from ultralytics import YOLO

model = YOLO("yolov8n.pt")   # nano (mais rápido)
results = model("imagem.jpg")
results[0].show()             # exibe com bounding boxes

Segmentação de imagens

Segmentação Semântica — U-Net

A arquitetura U-Net (2015) usa encoder-decoder com skip connections. Popular em imagens médicas e satélites.

Encoder (downsampling):  extrai features, reduz resolução
Skip connections:        preserva detalhes espaciais
Decoder (upsampling):    reconstrói máscara na resolução original

Segment Anything Model (SAM)

Meta AI lançou o SAM em 2023 — modelo fundacional para segmentação que aceita pontos, bounding boxes ou texto como prompt e segmenta qualquer objeto em qualquer imagem.

SAM 2 (2024) estendeu para segmentação de vídeo em tempo real.

from sam2.sam2_image_predictor import SAM2ImagePredictor

predictor = SAM2ImagePredictor.from_pretrained("facebook/sam2-hiera-large")
predictor.set_image(imagem)
masks, scores, _ = predictor.predict(point_coords=[[500, 375]])

Vision Transformers (ViT)

Publicado por Google Brain em 2020 (arXiv:2010.11929), o Vision Transformer aplicou a arquitetura Transformer diretamente a imagens:

1. Divide a imagem em patches (tipicamente 16×16 pixels)
2. Lineariza cada patch em um vetor
3. Adiciona embeddings de posição
4. Processa com Transformer encoder padrão

Por que isso é revolucionário: elimina o inductive bias das CNNs (localidade, invariância à translação). Com dados suficientes, o modelo aprende essas propriedades — e vai além.

Limitação: ViTs precisam de muito mais dados que CNNs para atingir o mesmo desempenho. Com pre-training em datasets massivos (JFT-300M, ImageNet-21k), superam CNNs.

Modelos ViT de ponta (2024-2025)

• DINOv2 (Meta): features visuais universais sem supervisão
• SigLIP (Google): alinhamento texto-imagem eficiente
• EVA-CLIP (Beijing Academy): escala enorme de ViT

Visão multimódal — texto + imagem

CLIP — Contrastive Language-Image Pre-training

OpenAI (2021): treina encoder de imagem e encoder de texto para que imagens e suas descrições fiquem próximas no espaço de embeddings.

Zero-shot classification: classifica imagens em qualquer categoria descrita em texto, sem fine-tuning.

Modelos generativos de imagem

Como diffusion models funcionam: adicionam ruído progressivamente a uma imagem (forward process), depois treinam um modelo para reverter esse processo (reverse process). Na geração, partem de ruído puro e removem o ruído condicionados ao prompt.

Aplicações práticas

Conexões com outras seções

• Redes Neurais Profundas — CNNs e ViTs são arquiteturas de deep learning
• LLMs — modelos multimodais (GPT-4V, Gemini, Claude 3) combinam visão e linguagem
• Análise Técnica — visão computacional para leitura automatizada de gráficos

Aviso Legal: Conteúdo educativo. Não constitui recomendação de investimento.