{"id":8636,"date":"2023-12-26T11:31:00","date_gmt":"2023-12-26T11:31:00","guid":{"rendered":"https:\/\/dailyai.com\/?p=8636"},"modified":"2023-12-26T11:31:00","modified_gmt":"2023-12-26T11:31:00","slug":"pigeon-ai-model-knows-where-you-took-that-photo","status":"publish","type":"post","link":"https:\/\/dailyai.com\/pt\/2023\/12\/pigeon-ai-model-knows-where-you-took-that-photo\/","title":{"rendered":"O modelo de IA PIGEON sabe onde \u00e9 que tirou a fotografia"},"content":{"rendered":"

Investigadores da Universidade de Stanford criaram modelos de IA capazes de identificar o local onde uma fotografia foi tirada com uma precis\u00e3o not\u00e1vel. Existem bons casos de utiliza\u00e7\u00e3o para a sua solu\u00e7\u00e3o, mas tamb\u00e9m ser\u00e1 necess\u00e1rio abordar quest\u00f5es \u00e9ticas importantes.<\/strong><\/p>\n

Se a sua fotografia de f\u00e9rias tiver a Torre Eiffel ou o Monte Rushmore atr\u00e1s de si, ent\u00e3o \u00e9 bastante f\u00e1cil dizer onde a fotografia foi tirada. Se a fotografia foi tirada num campo em Illinois com uma \u00e1rvore aleat\u00f3ria atr\u00e1s de si, ent\u00e3o \u00e9 muito mais dif\u00edcil identificar o local.<\/p>\n

Este \u00e9 exatamente o tipo de desafio que mais de 50 milh\u00f5es de jogadores do GeoGuessr<\/a> jogo de divers\u00e3o.<\/p>\n

Tr\u00eas investigadores da Universidade de Stanford eram jogadores \u00e1vidos do jogo e queriam ver como \u00e9 que os modelos de IA se sairiam contra os melhores jogadores humanos.<\/p>\n

Come\u00e7aram por utilizar uma rede neural chamada CLIP, desenvolvida pela OpenAI, como base para dois modelos diferentes de geolocaliza\u00e7\u00e3o de imagens.<\/p>\n

O primeiro modelo, Predicting Image Geolocations (PIGEON), foi treinado utilizando um conjunto de dados de cerca de 100 000 localiza\u00e7\u00f5es do jogo GeoGuessr. Para cada local, o PIGEON recebeu um panorama de 360 graus feito a partir de um conjunto de quatro imagens do Google Street View.<\/p>\n

O segundo modelo, Predicting Image Geolocations with Omni-Terrain Training Optimizations (PIGEOTTO), foi treinado exclusivamente com base em mais de 4 milh\u00f5es de imagens do Flickr com etiquetas geogr\u00e1ficas de todo o mundo.<\/p>\n

Quando lhe foi apresentada uma imagem do Google Street View de qualquer parte do mundo, o PIGEON foi capaz de adivinhar corretamente o pa\u00eds em 95% das vezes e conseguiu escolher a localiza\u00e7\u00e3o a cerca de 16 milhas em pouco mais de 40% das vezes.<\/p>\n

Em seguida, os investigadores colocaram o PIGEON contra os melhores jogadores do GeoGuessr, tendo-o vencido por uma margem significativa.<\/p>\n

\"\"
Erro de dist\u00e2ncia de geolocaliza\u00e7\u00e3o do PIGEON contra jogadores GeoGuessr humanos de v\u00e1rios n\u00edveis de compet\u00eancia no jogo em 458 partidas de v\u00e1rias rondas. A Divis\u00e3o dos Campe\u00f5es \u00e9 constitu\u00edda pelos melhores 0,01% dos jogadores. Fonte: arXiv<\/figcaption><\/figure>\n

O PIGEOTTO, que \u00e9 um modelo mais generalizado, superou por larga margem os actuais modelos de ponta em conjuntos de dados de refer\u00eancia de geolocaliza\u00e7\u00e3o.<\/p>\n

Quando o PIGEON enfrentou Trevor Rainbolt, considerado um dos melhores geoavaliadores do mundo, venceu-o v\u00e1rias vezes. Faz lembrar um pouco o Deep Blue a vencer Gary Kasparov no xadrez em 1997.<\/p>\n

\n

Constru\u00edmos uma IA para competir contra o melhor jogador de GeoGuessr do mundo e ganh\u00e1mos! \ud83d\udd0e\ud83c\udf0d\ud83c\udfc6<\/p>\n

Em @geoguessr<\/a>, >50 milh\u00f5es de jogadores competem para adivinhar onde est\u00e3o com base numa localiza\u00e7\u00e3o aleat\u00f3ria no Google Street View. \ud83d\uddfa\ufe0f<\/p>\n

Agradecimentos @georainbolt<\/a> para o desafio divertido!https:\/\/t.co\/g7tIeUELz5<\/a><\/p>\n

- Lukas Haas (@lkshaas) 13 de maio de 2023<\/a><\/p><\/blockquote>\n