As técnicas analisadas e algumas propostas partilham todo um mesmo princípio para atingirem o objectivo de funcionamento com maior generalização. Esse princípio defende a existência de uma componente não-supervisionada que coopera com uma componente supervisionada. A componente não supervisionada evita que certas características, não essenciais na classificação, mas essenciais na diferenciação, sejam utilizadas pelo bloco supervisionado, o que eleva a capacidade de generalização. A utilização de redes PCNN para preencher o bloco não supervisionado mostrava-se à partida muito promissora, dado o seu modo autónomo, fragmentador de regiões, ser direccionado a características geométricas fundamentais das imagens. No domínio do bloco supervisionado, a escolha de classificadores SVM deveu-se ao seu mecanismo de aprendizagem ultrapassar alguns dos problemas, como por exemplo a retenção em mínimos locais, patentes em outros métodos supervisionados. Foram propostos arranjos para retirar cooperativamente as melhores funcionalidades dos dois blocos. Apresentou- se uma estratégia de natureza segmentadora e várias de natureza classificadora. No caso desta última foi constituída uma abordagem orientada às regiões e outra orientada aos contornos.
O desempenho apresentado pelo segmentador híbrido mostrou-se ligeiramente superior, em termos de generalização, relativamente aos modelos unicamente supervisionados. Todavia, além de este nível de desempenho não ter sido relativamente muito elevado, outros factores, como o desempenho computacional, revelaram a dificuldade de se usar um modelo híbrido de base PCNN. O automatismo segmentador da PCNN revelou também precariedades, ao não ser possível, no seu modelo original,
Complementaridades ao modelo seriam necessárias para garantir esse cumprimento. Factores de realimentação informativa nessa vertente deveriam ser considerados. Embora a tarefa do classificador seja inerentemente mais simples do que a do segmentador, o classificador híbrido de base PCNN sofreu também das mesmas dificuldades trazidas pela PCNN. Mostrou sensível melhoria no desempenho generalizador, mas acabou também por ser imprevisível em situações que não estavam consideradas no conjunto de padrões de treino. A abordagem classificadora orientada aos contornos mostrou um comportamento favorável na codificação de figuras geométricas, mas não na codificação de contornos derivados de imagens naturais. Tudo isto mostra que, para executar qualquer aproximação generalista, aos níveis segmentadores e classificadores, idêntica aos conseguidos pelo córtex visual humano, é necessário aumentar exponencialmente a complexidade do sistema. No entanto, a este domínio clássico, não quântico, os indicadores retirados parecem subscrever a vantagem de se fazer a conjunção entre bloco não supervisionado e bloco supervisionado. Foi observada ainda a necessidade de conjugar estes mecanismos quase de uma forma difusa, não só numa direcção de sinais, dos mecanismos não supervisionados para os supervisionados, mas também no sentido contrário, para que os últimos sejam directores das actividades dos primeiros.
Capítulo 6
Aceleração Quântica em Processamento de
Imagem
A necessidade de aumentar a complexidade dos métodos computacionais para produzir melhorias de desempenho funcional, nomeadamente em processos de visão artificial, conduz a que se procure encontrar suportes físicos que adequam o aumento da complexidade ao aumento da execução temporal do processo. O capítulo actual descreve a teoria elementar que sustenta a computação quântica. Este tipo de computação permite atingir, para certos problemas, desempenhos temporais inigualáveis em computação clássica. Recorrendo ao algoritmo quântico de Grover é demonstrada a implementabilidade de técnicas de processamento de imagem em suportes quânticos.
6.1 Introdução
Os conceitos de computação quântica foram primordialmente sugeridos, de forma independente, por Paul Benioff [55-58] e por Richard Feynman [59-60] no início da década de 80. Estes investigadores, ao observarem que para simular o comportamento das partículas quânticas, em computadores clássicos, era necessário um poder computacional que crescia exponencialmente com o número de partículas, sugeriram que o aproveitamento das características funcionais do universo quântico pudesse ser usado para resolver problemas de ordem temporal e espacial complexa. De facto, para simular um processo quântico de 100 qubits num computador clássico é necessário armazenar 2100 números complexos [61]. Esses mesmos 100 qubits,
processados por um conjunto de portas quânticas adequadas, resultam numa equivalência de 2100 operações quando realizadas num computador clássico [61]. Apesar
das características invulgares do comportamento quântico, convém realçar que um computador quântico não tem a capacidade de solucionar problemas que não têm solução num computador clássico. O elemento básico da computação quântica é o qubit. Os qubits possuem uma concreta similaridade com os bits clássicos, uma vez observados: ou valem 0 ou valem 1. Os qubits encontram-se na natureza em múltiplas formas. Podem representar o estado de diversas partículas quânticas, como o fotão, em que o qubit pode ser estabelecido pela sua polarização, vertical ou horizontal, ou como o núcleo dos átomos, em que o qubit pode ser estabelecido pelo seu spin magnético, up ou down. Além destas, outras propriedades quânticas e outras partículas quânticas podem representar um qubit. A computação quântica consiste em aplicar determinadas transformações unitárias a conjuntos de qubits, ou individualmente, de forma a serem obtidos cálculos de específico interesse. As transformações adquirem forma física por intermédio de portas quânticas de natureza diversa; podem ser ópticas, magnéticas, entre outras. Por exemplo, no caso dos qubits representados pelos momentos magnéticos dos núcleos atómicos, podem ser manipulados e observados através de sistemas de ressonância magnética nuclear [62].
Neste capítulo será apresentada uma abordagem para acelerar técnicas de processamento de imagem através de computação quântica.