Utilize este link para identificar ou citar este item: https://bdm.unb.br/handle/10483/28478
Arquivos neste item:
Arquivo Descrição TamanhoFormato 
2018_RaffaelLunaCardoso_tcc.pdf20,74 MBAdobe PDFver/abrir
Registro completo
Campo Dublin CoreValorLíngua
dc.contributor.advisorFarias, Mylène Christine Queiroz de-
dc.contributor.authorCardoso, Raffael Luna-
dc.identifier.citationCARDOSO, Raffael Luna. Estimação cega da qualidade de vídeo utilizando informações de fluxo óptico. 2018. xi, 42 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2018.pt_BR
dc.descriptionTrabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018.pt_BR
dc.description.abstractA quantidade de vídeos digitais presente na vida das pessoas é crescente devido ao surgimento e barateamento de novas tecnologias que permitem e facilitam a disseminação dos vídeos. A partir disso, a quantidade de dados produzidos por esta massiva disseminação é tão grande que os métodos tradicionais de avaliação de qualidade de vídeo podem não ser mais eficientes, quando se tratam de aplicações em tempo real. Dessa forma, a utilização de Inteligência Artificial, mais especificamente Aprendizado de Máquina, pode ser uma estratégia a ser utilizada. É nesse contexto que surge a abordagem proposta neste trabalho: a implementação de um método de avaliação de qualidade de vídeo objetiva, utilizando uma Rede Neural Convolucional, cujas entradas são pilhas de fluxo ópticos, que visa predizer notas de vídeo. Os resultados obtidos neste trabalho mostraram que o modelo proposto tem potencial para realizar o objetivo mencionado, porém é necessário realizar ajustes e adicionar complementos, a ser realizados em trabalhos futuros, para ser comparado ao estado da arte.pt_BR
dc.rightsAcesso Abertopt_BR
dc.subject.keywordVídeo digitalpt_BR
dc.subject.keywordFluxo óticopt_BR
dc.subject.keywordAprendizado de máquinapt_BR
dc.subject.keywordRedes neurais (Computação)pt_BR
dc.subject.keywordVídeo - qualidadept_BR
dc.titleEstimação cega da qualidade de vídeo utilizando informações de fluxo ópticopt_BR
dc.typeTrabalho de Conclusão de Curso - Graduação - Bachareladopt_BR
dc.date.accessioned2021-09-08T04:21:16Z-
dc.date.available2021-09-08T04:21:16Z-
dc.date.submitted2018-12-06-
dc.identifier.urihttps://bdm.unb.br/handle/10483/28478-
dc.language.isoPortuguêspt_BR
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.pt_BR
dc.contributor.advisorcoSilva, Vinícius de Oliveira-
dc.description.abstract1The amount of digital videos present in people’s lives is growing due to the emerging and cheapening of new technologies that allow and make it easier to disseminate. Thereby, the amount of data produced by this massive dissemination it’s so big that the traditional Video Quality Assessment methods may not be so efficient for real time purposes. So, Artificial Intelligence applications, specifically Machine Learning, could be a new strategy to solve this problem. In this context arrises the approach that will be used in this work: the implementation of a objective Video Quality Assessment method based on a Convolutional Neural Network, whose inputs are optical flow stacks, aiming to predict video scores. The results obtained in this work shows that the proposed model has potential to perform the suggested task, but it is necessary to make some adjusts and complements, to be accomplished in future works, to be compared to the state of art.pt_BR
Aparece na Coleção:Engenharia Elétrica



Todos os itens na BDM estão protegidos por copyright. Todos os direitos reservados.