Reconhecimento Inteligente com Few-Shot Learning
Setor
Inovação
Desafio
Criar modelos de reconhecimento visual mais flexíveis e eficientes utilizando poucas amostras de treinamento.
Soluções
Desenvolvimento de uma solução com Few-Shot Learning e Edge Computing para detecção inteligente sem necessidade de retreinamento constante.
Tecnologias utilizadas
Visão Computacional , Inteligência Artificial, Edge Computing, Few-shot Learning
Visão Geral
A necessidade de tornar modelos de reconhecimento visual mais flexíveis e eficientes impulsionou o desenvolvimento do GenSiDi, uma solução baseada em Visão Computacional e Edge Computing capaz de realizar reconhecimento genérico de objetos a partir de poucas amostras anotadas. A iniciativa foi criada para reduzir a dependência de grandes volumes de dados de treinamento, acelerar a adaptação a novos cenários e ampliar a produtividade operacional em aplicações industriais e de inspeção inteligente.
Necessidades
- Reduzir a dependência de grandes bases de treinamento;
- Acelerar a implementação de modelos de reconhecimento visual;
- Permitir adaptação rápida a novos cenários operacionais;
- Executar processamento diretamente em dispositivos de borda;
- Aumentar a eficiência em aplicações de inspeção e detecção.
Desafios
Desenvolver modelos de reconhecimento visual mais adaptáveis exigia uma abordagem capaz de operar com poucas amostras anotadas e sem necessidade de retreinamento constante.
Soluções
- Few-Shot Learning: treinamento de modelos com poucas amostras anotadas para reconhecimento de objetos;
- Reconhecimento Genérico: adaptação a diferentes cenários sem necessidade de retreinamento completo;
- Edge Computing: processamento local com maior eficiência e baixa latência;
- Produtividade Operacional: redução do tempo e esforço necessário para preparação de dados;
- Aplicações Inteligentes: suporte a casos como detecção de EPIs e inspeção de sementes de milho.