Uma equipa de investigação do "Centro de Investigação de Engenharia em Tecnologia Aplicada à Tradução Automática e Inteligência Artificial, Ministério da Educação" do Instituto Politécnico de Macau (CAI-IPM) fez investigação sobre a estrutura das Redes Neurais projectadas por concatenação (Concatenate-designed neural networks) e o método da sua aquisição das características das imagens, conseguindo aproveitar classificadores múltiplos para ligar às redes neurais de forma a adquirirem as formas e características das imagens em várias camadas das redes neurais, aplicando um método normalizado, desenvolvido pela mesma equipa do IPM, nos resultados obtidos desses classificadores, o que viria a resultar numa identificação precisa da previsão final. Os estudos da equipa constituída pelo doutorando Chan Ka Hou, o Professor Doutor Im Sio Kei e o Professor Doutor Ke Wei, podem ser aplicados, efectivamente, na identificação e classificação dos objectos de imagem na vida quotidiana, podendo elevar significativamente a precisão e a estabilidade do processo dessa identificação. Os resultados desta investigação científica já foram publicados na revista científica sobre a inteligência artificial "Neural Computing and Applications", reconhecida internacionalmente.
A aplicação das redes inteligentes na análise de imagens trata como essenciais, principalmente, as camadas convolucionais (Convolutional layer), visto que estas camadas convolucionais podem adquirir efectivamente as características das imagens. Por isso, a maioria das aplicações usa uma grande quantidade de camadas convolucionais para a identificação total das características, aproveitando estas características de imagem para realizar a classificação dos alvos. No entanto, este método de contagem convolucional não consegue abranger todas as formas de um alvo, e na maioria dos casos, depois do uso de várias camadas convolucionais, muitas informações do alvo serão perdidas ou ignoradas, o que prejudicará a precisão da análise. A resolução normal desta questão é, a transferência, antes da convolução, das informações aos classificadores finais para servirem como referências, o que, entretanto, vai aumentar a carga dos classificadores finais, ocupando os seus recursos neurónios e influenciando a eficiência desses classificadores. Especialmente, a identificação de imputs de alta resolução de imagem obriga uma maior quantidade das camadas convolucionais, o que vai causar uma enorme perda das informações totais, fazendo com que o processo da aprendizagem de máquina e a precisão dos resultados fiquem instáveis. Perante disso, a equipa de investigação do IPM aproveita vários classificadores para analisar as características das camadas convolucionais, isto é, usar os primários classificadores para adquirir as informações relativas às formas das imagens, enquanto se usam os últimos classificadores para identificar as características específicas das imagens, aproveitando ainda vários classificadores para a identificação das posições reais das imagens, e tudo isto pode aliviar efectivamente a carga e pressão da classificação final. Para resumir efectivamente as informações obtidas de vários classificadores, após investigações e testes, a equipa conseguiu desenvolver um método normalizado que pode combinar as informações dos classificadores. E relativamente à realidade de que o uso de classificadores múltiplos obriga uma grande quantidade de tempo de aprendizagem de máquina para a melhoria da velocidade de contagem, o método normalizado desenvolvido pela equipa pode reduzir significativamente a duração da contagem de vários modelos de classificação. Enfim, a investigação referiu e comprovou a eficácia do seu método de aceleração da contagem.
Os resultados dos ensaios científicos mostram que, através do uso de classificadores múltiplos, há uma melhoria significativa dos resultados de aprendizagem de máquina, especialmente, sendo este resultado de melhoria mais óbvio na classificação de imputs com alvos diversificados. De acordo com os resultados da investigação, o método normalizado desenvolvido pela equipa de investigação pode resultar numa previsão mais precisa na identificação de imagens.
Esta investigação é financiada pelo Fundo para o Desenvolvimento das Ciências e da Tecnologia da RAEM (Arquivo n.º 0001/2018/AFJ). O artigo está disponível para consulta no seguinte link: https://link.springer.com/article/10.1007%2Fs00521-021-06462-0.
