Solução de quebra-cabeças usando deep learning

O objetivo deste trabalho e desenvolver um algoritmo para solucao de quebra-cabecas do tipo jigsaw puzzle usando deep learning. Deep learning sao redes neurais profundas que nao exigem interferencia humana direta para serem treinadas e, dessa forma, problemas complexos que requerem o reconhecimento de caracteristicas abstratas podem ser resolvidos com maior agilidade. Navegacao autonoma, diagnostico de câncer e reconhecimento facial sao algumas das diversas aplicacoes de deep learning. Neste trabalho, a solucao de um quebra-cabeca via deep learning foi utilizada para a compreensao das ferramentas e do ambiente de desenvolvimento de uma rede neural profunda. Para tanto, foi estudado um algoritmo proposto por Noroozi e Favaro (2016) que propoe uma arquitetura chamada context-free network (CFN). A rede neural profunda avaliada admite a entrada das nove partes de um quebra-cabeca em um grid de 3X3 pecas, que sao originadas de um pre-tratamento e embaralhadas aleatoriamente. Ao final da rede neural, espera-se que ela forneca a ordem em que as pecas foram embaralhadas, ou seja, a solucao do quebra-cabeca. O algoritmo foi desenvolvido em Python em conjunto com as bibliotecas de deep learning Keras e Tensorflow, alem do processamento acelerado dos dados via GPU/CUDA. Referencia Noroozi M, Favaro P. Unsupervised learning of visual representations by solving jigsaw puzzles. In European Conference on Computer Vision 2016 Oct 8 (pp. 69-84). Springer, Cham.