O algoritmo avalia o posicionamento dos lábios durante a produção de um fonema, o que é chamado de visema, para encontrar diferenças sutis que apontam para adulterações do conteúdo sonoro, ajudando a identificar deep fakes.
O modelo desenvolvido primeiro analisa trechos de vídeo para reconhecer a atividade representada, e depois sintetiza o som correspondente, mantendo a sincronização entre vídeo e áudio.
Uma rede neural convolucional foi treinada para ser capaz de reconhecer os indivíduos de três espécies de pássaros pequenos, permitindo sua identificação automatizada em estudos que dependem dessa tarefa.
Uma rede neural convolucional foi treinada para contar as células da retina, que morrem durante a progressão do glaucoma, e assim produzir medidas objetivas do estado do paciente com 18 meses de antecedência em comparação ao diagnóstico produzido por médicos especialistas.
Uma rede neural convolucional foi treinada com dados referentes à taxa de semeadura, aplicação de fertilizante, topografia e condutividade do solo, e imagens de satélite, sendo capaz de predizer o rendimento das plantações com precisão superior à dos demais métodos testados. No futuro esse método pode ser usado para gerar recomendações de cultivo com base nas condições locais.
Apesar de terem sido desenvolvidas para classificar imagens, as redes neurais convolucionais também podem ser aplicadas a textos, capturando padrões regionais dentro de suas dimensões semânticas que depois podem ser usados para treinar um algoritmo de classificação.
O exame de imageamento por ressonância magnética exige que o paciente fique imobilizado e confinado dentro da máquina por um tempo da casa de dezenas de minutos, para obter imagens de qualidade. A técnica desenvolvida nesse trabalho diminui esse tempo fazendo um pós-processamento para aumentar a qualidade das imagens usando inteligência artificial.
Os autores do trabalho usaram modelos climáticos clássicos para aumentar o número de dados disponíveis para treinamento, e alcançaram o alto desempenho passando os dados por uma rede neural convolucional, que identificou as regiões do oceano mais correlacionadas ao fenômeno.
O trabalho usou uma rede neural convolucional para processar dados brutos de eletrocardiograma, sendo capaz de predizer com precisão absoluta os portadores da condição cardíaca; método auxiliar mostra quais regiões do ECG são importantes para discriminar entre indivíduos saudáveis e acometidos.
Usando uma popular rede neural convolucional como arcabouço, os pesquisadores incluíram modificações para o problema estudado, tornando-a capaz de identificar veículos em movimento em situações de tráfego intenso, e também prever sua direção de deslocamento. O módulo pode ser acoplado a outros sistemas de nível mais alto com o objetivo de automatizar o gerenciamento de tráfego.
