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.contributor | WZTECH NETWORKS | - |
Autor(es): dc.contributor | Universidade Federal de Uberlândia (UFU) | - |
Autor(es): dc.creator | Miguel, Pedro Lucas | - |
Autor(es): dc.creator | Cansian, Adriano Mauro | - |
Autor(es): dc.creator | Rozendo, Guilherme Botazzo | - |
Autor(es): dc.creator | Medalha, Giuliano Cardozo | - |
Autor(es): dc.creator | do Nascimento, Marcelo Zanchetta | - |
Autor(es): dc.creator | Neves, Leandro Alves | - |
Data de aceite: dc.date.accessioned | 2025-08-21T20:27:23Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T20:27:23Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.5220/0012038500003467 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/248922 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/248922 | - |
Descrição: dc.description | In this proposal, a study based on deep-learned features via transfer learning was developed to obtain a set of features and techniques for pattern recognition in the context of COVID-19 images. The proposal was based on the ResNet-50, DenseNet-201 and EfficientNet-b0 deep-learning models. In this work, the chosen layer for analysis was the avg pool layer from each model, with 2048 features from the ResNet-50, 1920 features from the DenseNet0201 and 1280 obtained features from the EfficientNet-b0. The most relevant descriptors were defined for the classification process, applying the ReliefF algorithm and two classification strategies: individually applied classifiers and employed an ensemble of classifiers using the score-level fusion approach. Thus, the two best combinations were identified, both using the DenseNet-201 model with the same subset of features. The first combination was defined via the SMO classifier (accuracy of 98.38%) and the second via the ensemble strategy (accuracy of 97.89%). The feature subset was composed of only 210 descriptors, representing only 10% of the original set. The strategies and information presented here are relevant contributions for the specialists interested in the study and development of computer-aided diagnosis in COVID-19 images. | - |
Descrição: dc.description | Faculdade de Medicina de São José do Rio Preto | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de Minas Gerais (FAPEMIG) | - |
Descrição: dc.description | Department of Computer Science and Statistics (DCCE) São Paulo State University (UNESP), Rua Cristóvão Colombo, 2265, SP | - |
Descrição: dc.description | WZTECH NETWORKS, Avenida Romeu Strazzi (room 503-B), 325, SP | - |
Descrição: dc.description | Faculty of Computer Science (FACOM) Federal University of Uberlândia (UFU), Avenida João Naves de Ávila 2121, Bl.B, MG | - |
Descrição: dc.description | Department of Computer Science and Statistics (DCCE) São Paulo State University (UNESP), Rua Cristóvão Colombo, 2265, SP | - |
Descrição: dc.description | CNPq: #120993/2020-1 | - |
Descrição: dc.description | CNPq: #311404/2021-9 | - |
Descrição: dc.description | CNPq: #313643/2021-0 | - |
Descrição: dc.description | FAPEMIG: #APQ-00578-18 | - |
Formato: dc.format | 675-682 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | International Conference on Enterprise Information Systems, ICEIS - Proceedings | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Convolutional Neural Networks | - |
Palavras-chave: dc.subject | COVID-19 | - |
Palavras-chave: dc.subject | Deep-Learned Features | - |
Palavras-chave: dc.subject | Radiographic Images | - |
Palavras-chave: dc.subject | RelieF | - |
Título: dc.title | An Investigation of Deep-Learned Features for Classifying Radiographic Images of COVID-19 | - |
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: