ilusão de ótica - extractta big data

Pesquisadores ensinam inteligência artificial a enxergar ilusão de ótica

O círculo é verde ou acinzentado? As linhas do centro são retas ou inclinadas? Um modelo que usa inteligência artificial pode ter a resposta para a ilusão de ótica.

Ilusões de ótica podem ser experiências divertidas e gerar debate, mas compreender como o cérebro humano percebe esses diferentes fenômenos continua sendo uma área da pesquisa científica.

Para uma classe de ilusões de ótica, chamada fenômenos contextuais, como essas percepções são conhecidas dependem do contexto. Por exemplo, a cor que você acredita estar no círculo central depende da cor do anel que o circula. Às vezes, a cor exterior faz a cor interior parece mais semelhante, como o cor verde do anel externo fazendo um círculo azul parecer turquesa. Mas às vezes a cor exterior faz o cor interior parecer menos semelhante, como um anel rosa fazendo um círculo cinza parecer esverdeado.

Uma equipe de especialistas em visão computacional da Universidade de Brown, nos EUA, voltou ao início do processo para entender os mecanismos neurais desses fenômenos contextuais.

“Há um crescente consenso de que ilusões de ótica não são falhas [do nosso cérebro], mas características”, disse Thomas Serre, professor associado de ciências psicológicas, linguísticas e cognitivas. “Eles podem representar casos extremos de nosso sistema visual, mas nossa visão é tão poderosa na nossa vida diária e em reconhecer objetos”.

Serre e sua equipe começaram a pesquisa com um modelo computacional programado com dados neurofisiológicos e anatômicos do córtex visual. O modelo tinha como objetivo capturar como neurônios corticais vizinhos enviavam mensagens aos outros e ajustavam as respostas quando apresentadas a estímulos complexos como ilusões de ótica.

Uma inovação que foi incluída no modelo foi um padrão específico para conexões de feedback hipotéticas entre os neurônios. Essas conexões de feedback são capazes de aumentar ou reduzir (excitar ou inibir) a resposta de um neurônio central, de acordo com o contexto visual.

Essas conexões de feedback não estão presentes na maioria dos algoritmos de deep learning. Deep leaning é um tipo poderoso de inteligência artificial que é capaz de aprender complexos padrões de dados, como reconhecer imagens e analisar uma fala normal, e depende de múltiplas camadas de redes neurais trabalhando junto.

Com o modelo construído, a equipe apresentou uma variedade de ilusões de ótica. Os pesquisadores “sintonizaram” a força das conexões excitatórias e inibitórias de feedback, de modo que o modelo neural respondesse de maneira consistente com os dados neurofisiológicos do córtex visual de um primata.

E então eles testaram o modelo em uma variedade de ilusões contextuais e de novo notaram que o modelo percebia as ilusões como humanos.

Para testar se eles fizeram o modelo desnecessariamente complexo, eles “lesionaram” o modelo (removeram algumas das conexões seletivamente). Sem encontrar algumas das conexões, os dados do modelo não batiam com os dados da percepção humana com tanta precisão.

“Nosso modelo é o mais simples possível, mas que seja suficiente e necessário para explicar o comportamento do córtex visual diante de ilusões de ótica”, diz Serre.

Para buscar uma explicação unificada sobre como humanos veem uma classe de ilusões de ótica, Serre está construindo esse modelo com o objetivo de melhorar a visão artificial.

Algoritmos avançados de visão artificial, como aqueles usados em reconhecimento facial ou para reconhecer sinais de trânsito, têm dificuldades para reconhecer o contexto, segundo Serre. Com o desenvolvimento de seu modelo, ele espera combater essa limitação.

“Talvez programas de deep learning visual que leve em consideração o contexto seja mais difícil de ser enganado. Um adesivo colado em uma placa de trânsito de “pare” pode enganar um sistema de visão artificial. Ele pode pensar que é um sinal de limite de velocidade de 100 km/hora, o que é perigoso”, diz.

O estudo foi publicado na “Psychological Review” em 20 de setembro de 2018.

(crédito da imagem no topo: Serre Lab/Brown University)

 

FONTES

Brown University

Science Daily

Post criado 23

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *

Posts Relacionados

Comece a digitar sua pesquisa acima e pressione Enter para pesquisar. Pressione ESC para cancelar.

De volta ao topo