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 | Minussi, Carlos Roberto | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Nunes, Ricardo Fernando | - |
Data de aceite: dc.date.accessioned | 2025-08-21T15:09:52Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T15:09:52Z | - |
Data de envio: dc.date.issued | 2024-08-26 | - |
Data de envio: dc.date.issued | 2024-08-26 | - |
Data de envio: dc.date.issued | 2024-08-02 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/257176 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/257176 | - |
Descrição: dc.description | Com o recente desenvolvimento de grandes bancos de dados e do processamento paralelo, entre outras facilidades computacionais, as Redes Convolucionais Profundas, com sua alta precisão de classificação, ganharam muitos destaques em tarefas de visão computacional. Estas redes retém uma grande quantidade de conhecimento, pois, normalmente, são treinadas de forma otimizada com muitas imagens, o que demanda um longo período. Entretanto, em suas formas clássicas, utilizam o algoritmo de retropropagação e, portanto, apresentam fragilidades como, esquecimento catastrófico, alucinação e passividade a ataques adversários. Por outro lado, as técnicas de transferência de conhecimento possibilitam aproveitar o vasto conhecimento retido nestas redes e utilizar, por exemplo, uma rede neural da família da Teoria da Ressonância Adaptativa como um agente classificador. Este estudo propõe um modelo, denominado de VGG ARTMAP Fuzzy, que utiliza a arquitetura VGG-16 para extração de características de imagens e uma rede neural ARTMAP Fuzzy para a classificação. O modelo é testado por meio de simulações com bancos de dados relativos à diferentes aplicações de problemas de visão computacional e seu desempenho é validado tanto pela acurácia de suas respostas em testes quanto aos tempos de treinamento e teste. | - |
Descrição: dc.description | With the recent development of large databases and parallel processing, among other computational facilities, Deep Convolutional Networks, with their high classification accuracy, have gained much prominence in computer vision tasks. These networks retain a large amount of knowledge because they are usually trained in an optimized way with many images, which requires a long period of time. However, in their classical forms, they use the backpropagation algorithm and, therefore, present weaknesses such as catastrophic forgetting, hallucination and passivity to adversarial attacks. On the other hand, knowledge transfer techniques make it possible to take advantage of the vast knowledge retained in these networks and use, for example, a neural network from the Adaptive Resonance Theory family as a classifying agent. This study proposes a Fuzzy VGG ARTMAP model, which uses the VGG-16 architecture for image feature extraction and a Fuzzy ARTMAP neural network for classification. The model is tested through simulations with databases related to different applications of computer vision problems and its performance is validated both by the accuracy of its responses in tests and by the training and testing times. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Estadual Paulista (UNESP) | - |
Direitos: dc.rights | info:eu-repo/semantics/openAccess | - |
Palavras-chave: dc.subject | Rede convolucional profunda | - |
Palavras-chave: dc.subject | Teoria da ressonância adaptativa | - |
Palavras-chave: dc.subject | Classificação de imagem | - |
Palavras-chave: dc.subject | Deep learning network | - |
Palavras-chave: dc.subject | Adaptive resonance theory | - |
Palavras-chave: dc.subject | Image classification | - |
Título: dc.title | Classificação de imagens baseada no aprendizado profundo e na teoria da ressonância adaptativa | - |
Título: dc.title | Image classification based on deep learning and adaptive resonance theory | - |
Tipo de arquivo: dc.type | livro 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: