Explicações Espaciais: Desvendando Insights com Oclusões

Explicações Espaciais com Oclusões: Na visão computacional, as empresas precisam de compreender como funcionam os modelos de imagem para aproveitarem plenamente os dados visuais. O nosso método simples, denominado explicações espaciais com oclusões, ajuda a alcançar uma compreensão mais profunda. Ao empregar oclusões espaciais em imagens, esta técnica revela as áreas críticas que influenciam significativamente as previsões do modelo.

O que fazer com estes insights, poder-se-á perguntar. Ter uma compreensão mais profunda do seu sistema é o primeiro passo para otimizar o seu negócio. Pode utilizar estes insights para 2 fins:

• Assegurar a Validação de IA: Nas suas experiências iniciais, pode encontrar dados de baixa qualidade, como conjuntos de dados reduzidos, informações enviesadas ou falta de representatividade. Como resultado, o seu modelo pode focar-se em áreas que sabe serem irrelevantes para o seu sistema. Isto pode acontecer independentemente de quão boas sejam as métricas no conjunto de teste. Utilizando explicações visuais, pode avaliar rapidamente a confiabilidade da sua IA.
• Aprender com a IA: Aprenda com o seu modelo quais os fatores mais relevantes para a tomada de decisão. Desta forma, terá maior controlo sobre o seu sistema, atingindo a otimização do negócio mais rapidamente.

Como obter clareza a partir de Oclusões?

As explicações espaciais baseiam-se no conceito de oclusão, onde áreas específicas de uma imagem são mascaradas ou ocluídas para observar o seu impacto nas previsões do modelo. Para tal, um fragmento da imagem original é substituído pelos valores médios do conjunto de dados na localização correspondente. A imagem original e a imagem com a oclusão são analisadas pelo modelo preditivo e a diferença entre essas previsões é utilizada como proxy da importância da região. Quanto maior for a diferença, maior será o impacto da região. Ao repetir este processo com fragmentos de diferentes localizações e tamanhos, é possível construir um mapa de calor, onde a temperatura representa o impacto nas previsões.

Substituir a oclusão por valores médios do conjunto de dados é particularmente eficaz em contextos industriais, onde as câmaras e a maioria dos objetos permanecem fixos. Em cenários onde a oclusão com fragmento médio não é apropriada, pode empregar métodos alternativos. Aqui estão algumas outras opções:

• Ocluir com um fragmento preto – Não recomendamos esta opção, uma vez que demasiados zeros na entrada podem desativar cadeias de ativações neurais, devolvendo previsões atípicas.
• Empregar técnicas avançadas de inpainting – Devolvem resultados mais fiáveis, mas criam a necessidade de depender de uma ferramenta de terceiros.
• Reduzir a resolução – Em vez de substituir o fragmento por informação diferente, adicione desfoque ou pixelização a esse fragmento, reduzindo o volume de informação sem criar bordas e texturas atípicas na imagem.

Esta adaptabilidade permite que o método de explicação de oclusões espaciais seja ajustado às necessidades específicas do seu negócio.

Alguns truques na manga

Parabéns! Agora conhece a lógica por trás do nosso método! Que tal alguns conselhos adicionais para obter o melhor dos seus mapas de calor explicáveis?

1. Mitigar Padrões de Grelha: Utilizar passos maiores pode levar a padrões de grelha, reduzindo a sua interpretabilidade. Para ultrapassar este desafio, tem duas opções. Em primeiro lugar, pode reduzir o passo, o que proporciona explicações mais claras, mas aumenta o tempo computacional. Em alternativa, aplicar um Gaussian Blur às regiões ocluídas ajuda a suavizar os padrões, resultando em transições de cor mais suaves.
2. Média Ponderada: Também aprimorámos as nossas explicações espaciais incorporando um peso inversamente proporcional baseado no tamanho do fragmento. Esta técnica assegura que a importância de cada fragmento é adequadamente considerada, levando a explicações mais precisas e fiáveis.
3. Lidar com Explicações Repetitivas: Em contextos industriais, as explicações podem por vezes tornar-se repetitivas, realçando consistentemente as mesmas localizações. Recomendamos comparar os valores da explicação baseada em imagem com a explicação média do conjunto de dados utilizando a diferença absoluta. Isto proporciona insights valiosos sobre regiões que se desviam da norma, possibilitando uma compreensão mais profunda da sua singularidade.

Gostaria de aprofundar este tema?

Marque uma reunião com Rafael Cavalheiro

Conheça o Rafael Saiba Mais

Conclusão

As explicações espaciais oferecem uma abordagem poderosa para interpretar modelos de imagem e extrair insights valiosos de dados visuais. Ao empregar oclusões espaciais, as empresas podem desvendar o funcionamento interno dos seus modelos, possibilitando uma tomada de decisão informada e confiança aumentada. Aproveite o poder das explicações espaciais para desbloquear todo o potencial dos seus modelos de imagem. Contacte-nos se estiver pronto para iniciar uma jornada de compreensão abrangente e insights acionáveis.