REDE NEURAL AUMENTA RESOLUÇÃO DE IMAGENS ASTRONÔMICAS

Em cima, a imagem original e a mesma imagem degradada intencionalmente para validação da ferramenta. Embaixo, a imagem recuperada (esquerda) e a recuperação feita pelo antigo sistema usado pelo Hubble (direita).[Imagem: K. Schawinski/C. Zhang/ETH Zurich]

Resolução inferida

A regra fundamental é: se você quer imagens melhores e de maior resolução do espaço, aumente o tamanho do telescópio. O diâmetro da lente ou espelho, a chamada abertura, limita fundamentalmente qualquer telescópio. Em termos simples, quanto maior a lente, mais luz ela capta, permitindo detectar objetos de luz mais fraca. Um conceito estatístico conhecido como "teorema de amostragem de Shannon-Nyquist" descreve o limite de resolução e, portanto, o nível de detalhe que pode ser visto com um determinado telescópio. A novidade agora é que é possível melhorar muito a resolução de um telescópio usando imagens de maior resolução - obtidas por telescópios maiores ou por telescópios no espaço - de um determinado corpo celeste. Estas diferentes imagens são usadas para ensinar uma rede neural como telescópios menores e telescópios maiores obtêm imagens diferentes. Quando a rede estiver treinada, então ela poderá ser aplicada aos telescópios mais avançados, inferindo detalhes que não aparecem nas imagens.

Rede neural adversária

Uma equipe do Instituto ETH de Zurique, na Suíça, usou redes neurais, uma das técnicas de inteligência artificial, para treinar um programa de computador para interpretar os dados coletados pelo telescópio e inferir os detalhes que a imagem astronômica não consegue mostrar. A rede neural, uma abordagem computacional que simula os neurônios em um cérebro, "aprende", por exemplo, como é a aparência de uma galáxia a partir de imagens de boa qualidade e, a seguir, analisa automaticamente uma imagem borrada da mesma galáxia e tenta transformá-la em uma imagem mais nítida. O sistema usa duas redes neurais que competem entre si, uma abordagem emergente no campo do aprendizado de máquina chamada de "rede adversária generativa". O treinamento levou apenas algumas horas em um computador de alto desempenho e a rede neural já começou a aumentar a resolução das imagens.

Vendo o invisível

As redes neurais treinadas foram capazes de reconhecer e reconstruir características que o telescópio não poderia distinguir, como regiões de formação de estrelas, as barras e faixas de poeira nas galáxias. A equipe checou os resultados contra as imagens originais de alta resolução e verificou que o programa é melhor na recuperação de detalhes do que qualquer coisa já desenvolvida até hoje, incluindo a abordagem de "deconvolução" usada para melhorar as imagens feitas nos primeiros anos do Telescópio Espacial Hubble. Isto significa que a ferramenta não precisa se limitar a imagens de telescópios mais fracos: com um treinamento suficiente, a rede neural pode inferir detalhes de imagens obtidas também pelos telescópios de ponta. "Nós podemos começar voltando aos levantamentos do céu feitos com telescópios ao longo de muitos anos, ver mais detalhes do que nunca e, por exemplo, aprender mais sobre a estrutura das galáxias. Não há nenhuma razão para que não possamos aplicar essa técnica às imagens mais profundas do Hubble e ao próximo Telescópio Espacial James Webb, para aprender mais sobre as estruturas mais antigas do Universo," disse o professor Kevin Schawinski, idealizador da técnica. Bibliografia: Generative adversarial networks recover features in astrophysical images of galaxies beyond the deconvolution limit. Kevin Schawinski, Ce Zhang, Hantian Zhang, Lucas Fowler, Gokula Krishnan Santhanam. Monthly Notices of the Royal Astronomical Society. Vol.: 467 (1): L110-L114. DOI: 10.1093/mnrasl/slx008. fonte:inovacaotecnologica.com.br/noticias/noticia.php?artigo=rede-neural-aumenta-resolucao-imagens-astronomicas&id=020130170407

SWIFTKEY USA REDE NEURAL PARA CRIAR TECLADO PARA SMARTPHONES MAIS INTELIGENTES

A SwiftKey quer providenciar melhores predições no teclado do seu smartphone por meio do seu novo SwiftKey Neural Alpha. Trata-se de um novo teclado que vem com a garantia de criar predições mais apuradas ao aprender rapidamente o seu uso habitual de palavras. A grande ideia por trás do novo teclado é que ele usa um tipo de aprendizado de máquina chamado rede neural. Na essência, o software tenta aprender padrões e analisar dados de linguagem similares a como um cérebro humano funciona. Segundo a SwiftKey, o novo teclado se destacará em uma série de cenários cotidianos em comparação ao seu atual teclado, que usa um modelo chamado n-gram. Se você quiser testar o teclado em seu próprio celular, você pode obter o Neural Alpha na Play Store. Mas saiba que, por se tratar de um lançamento inicial, há a expectativa de surgirem naturalmente alguns bugs. Uma vez que a SwiftKey licencia sua linguagem de software para outras empresas, a companhia quer mais do que vender apenas temas. Ela precisa continuar a melhorar seu entendimento de como a linguagem funciona. A boa notícia é que, mesmo que digitar numa tela de vidro possa ser algo frustrante, seu teclado pode começar a soar um pouco mais com você sem envolver muito esforço da sua parte. fonte:http://idgnow.com.br/ti-pessoal/2015/10/09/swiftkey-usa-rede-neural-para-criar-teclado-para-smartphones-mais-inteligente/

GOOGLE MELHORA APP DE TRADUÇÃO DE IMAGENS COM RECURSOS DE REDE NEURAL

O aplicativo de tradução de imagens do Google permite que usuários apontem sua câmera a um objeto que contenha letras, de forma que é possível traduzir coisas como menus e sinais quando você, por exemplo, estiver viajando. Com a nova atualização, a gigante de buscas também adicionou novos 20 idiomas ao aplicativo. "Nós queremos tornar possível que a ferramenta reconheça uma letra com uma pequena quantidade de rotação, mas não muita. Se nós sobrecarregarmos a rotação, a rede neural irá usar muita de sua densidade de informação para coisas que são irrelevantes. Então, nós colocamos esforços em fazer ferramentas que nos dariam um tempo rápido de resposta e boas visualizações", disse Otavio Good, engenheiro de software para o Google Translate, em um post do blog da companhia. "Dentro de alguns minutos, nós podemos mudar os algoritmos para gerar dados de treinamento, treiná-los novamente e visualizá-los". Para fazer isso em tempo real, a companhia precisa também otimizar as operações matemáticas, o que significa usar processadores móveis e tornar coisas como matrizes múltiplas para caber em processamento em níveis de memória cachê. O aplicativo filtra objetos em segundo plano enquanto lê letras em imagens. Ao olhar um monte de pixels com cores similares e estiverem muito próximos um do outro, o aplicativo reconhece como uma linha contínua de texto para ler.

A ferramenta tem sido treinada usando uma rede neural convolucional para aprender quais letras são diferentes em idiomas e diferenciar letras daquelas que não fazem parte de um alfabeto. Um gerador de caracteres foi também desenvolvido para criar ruído ao redor de caracteres que são traduzidos como borrões e rotação de forma que o aplicativo não precisa contar sempre com textos limpos e bem apresentados para funcionar. No caso, a solução do Google procura por diferentes idiomas uma vez que as letras são reconhecidas. Da mesma forma consegue reconhecer palavras de um grupo de letras de números. "Nós conseguimos fazer isso, por que já encontramos e lemos as letras na imagem, então sabemos exatamente onde elas estão. Nós podemos olhar para as cores ao redor das letras e usar isso para apagar os caracteres originais. E depois, nós podemos desenhar uma tradução no topo usando cor no primeiro plano", resumiu Good. FONTE: idgnow.com.br/internet/2015/07/31/google-melhora-app-de-traducao-de-imagens-com-recursos-de-rede-neural/