Resumo

A visão computacional baseia-se na análise e manipulação de valores numéricos de píxeis em imagens. Os modelos de aprendizado de máquina são treinados usando um grande volume de imagens para permitir cenários comuns de visão computacional, como classificação de imagens, deteção de objetos, segmentação semântica, geração de legendas e outros.

Os modelos usados para tarefas de visão computacional evoluíram de classificadores de imagem baseados em estatísticas através de redes neurais convolucionais para os modelos multimodais baseados em transformadores de hoje. Modelos de ponta podem não só interpretar a entrada visual, mas também gerar saída visual.