| Campo Dublin Core | Valor | Língua |
|---|
| dc.contributor.advisor | Vidal, Flávio de Barros | - |
| dc.contributor.author | Cavalcanti, José Gabriel Hermes | - |
| dc.identifier.citation | CAVALCANTI, José Gabriel Hermes. Estudo dos efeitos de imagens degradadas no processo de reconhecimento de objetos por redes neurais convolucionais. 2017. vii, 69 f., il. Trabalho de conclusão de curso (Bacharelado em Engenharia Mecatrônica)—Universidade de Brasília, Brasília, 2017. | pt_BR |
| dc.description | Trabalho de conclusão de curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Curso de Graduação em Engenharia de Controle e Automação, 2017. | pt_BR |
| dc.description.abstract | Decorrente da constante evolução tecnológica e da crescente disponibilidade de dados, em especial imagens, cresce a utilização de abordagens de programação orientada a dados, em que se destacam as aplicações de aprendizagem profunda de máquinas utilizando redes neurais convolucionais. Porém a alta qualidade das imagens fornecidas para treinamento ou comumente para avaliação, contrasta com a qualidade de imagens cotidianas ou de aplicações específicas, o que leva ao questionamento dos efeitos deste tipo de situação encontrada e o seu impacto no processo de classificação realizado pela rede neural convolucional. Para contemplar e responder estes questionamentos, neste trabalho foram avaliadas cinco modelos do estado-da-arte de redes convolucionais treinadas, sujeitas à sete tipos de degradação de qualidade, mostrando a sensibilidade a este conjunto de degradações e as influências na robustez do processo de classificação de objetos em imagens. | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.subject.keyword | Redes neurais (Computação) | pt_BR |
| dc.subject.keyword | Imagens - análise | pt_BR |
| dc.subject.keyword | Processamento de imagens - técnicas digitais | pt_BR |
| dc.title | Estudo dos efeitos de imagens degradadas no processo de reconhecimento de objetos por redes neurais convolucionais | pt_BR |
| dc.type | Trabalho de Conclusão de Curso - Graduação - Bacharelado | pt_BR |
| dc.date.accessioned | 2018-02-05T12:17:17Z | - |
| dc.date.available | 2018-02-05T12:17:17Z | - |
| dc.date.submitted | 2017-07 | - |
| dc.identifier.uri | http://bdm.unb.br/handle/10483/19260 | - |
| dc.language.iso | Português | pt_BR |
| dc.description.abstract1 | Due to constant technological evolution and the increasing availability of data, in particular images, the use of data-driven programming approaches is growing, in which stands out the applications of deep machine learning using convolutional neural networks. However, the high quality of the images provided for training or commonly for evaluation, contrasts with the quality of everyday images or of specific applications, which leads to the questioning of the effects of this kind of faced situation and its impact on the classification process performed by the convolutional neural network. In order to contemplate and answer these questions, this document evaluated five stateof-the-art models of trained convolutional networks, subject to seven types of quality degradations, showing sensitivity to this set of degradations and the influences on the robustness of the object classification process on pictures. | pt_BR |
| Aparece na Coleção: | Engenharia Mecatrônica
|
