Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Roder, Mateus | - |
Autor(es): dc.creator | Rosa, Gustavo Henrique | - |
Autor(es): dc.creator | Papa, Joao Paulo | - |
Autor(es): dc.creator | Carlos, Daniel | - |
Autor(es): dc.creator | Guimaraes, | - |
Autor(es): dc.creator | Pedronette, | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:24:32Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:24:32Z | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2020-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/SIBGRAPI54419.2021.00058 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/234113 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/234113 | - |
Descrição: dc.description | Deep learning techniques have been widely researched and applied to several problems, ranging from recommendation systems and service-based analysis to medical diagnosis. Nevertheless, even with outstanding results in some computer vision tasks, there is still much to explore as problems are becoming more complex, or applications are demanding new restrictions that hamper current techniques performance. Several works have been developed throughout the last decade to support automated medical diagnosis, yet detecting neural-based strokes, the so-called cerebrovascular accident (CVA). However, such approaches have room for improvement, such as the employment of information fusion techniques in deep learning architectures. Such an approach might benefit CVA detection as most state-of-the-art models use computer-based tomography and magnetic resonance imaging samples. Therefore, the present work aims at enhancing stroke detection through information fusion, mainly composed of original and Fourier-based samples, applied to shallow architectures (Restricted Boltzmann machines). The whole picture employs multimodal inputs, allowing data from different domains (images and Fourier transforms) to be learned together, improving the model's predictive capacity. As the main result, the proposed approach overpassed the baselines, achieving the remarkable accuracy of 99.72%. | - |
Descrição: dc.description | Universidade Estadual Paulista (Unesp) Departamento de Computação | - |
Descrição: dc.description | Universidade Estadual Paulista (Unesp) Matemática Aplicada e Computacional Departamento de Estatística | - |
Descrição: dc.description | Universidade Estadual Paulista (Unesp) Departamento de Computação | - |
Descrição: dc.description | Universidade Estadual Paulista (Unesp) Matemática Aplicada e Computacional Departamento de Estatística | - |
Formato: dc.format | 378-385 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings - 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images, SIBGRAPI 2021 | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Fourier transform | - |
Palavras-chave: dc.subject | Restricted Boltzmann Machines | - |
Palavras-chave: dc.subject | Stroke classification | - |
Título: dc.title | Enhancing Shallow Neural Networks Through Fourier-based Information Fusion for Stroke Classification | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: