Identificação de espécies de pássaros em imagens utilizando redes neurais siamesas

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorMigliorini, Gustavo Henrique-
Autor(es): dc.contributorCasanova, Dalcimar-
Autor(es): dc.contributorOliva, Jefferson Tales-
Autor(es): dc.contributorFávero, Eliane Maria De Bortoli-
Autor(es): dc.creatorSilva, Gustavo Henrique Mattos-
Data de aceite: dc.date.accessioned2025-08-29T12:47:54Z-
Data de disponibilização: dc.date.available2025-08-29T12:47:54Z-
Data de envio: dc.date.issued2025-03-12-
Data de envio: dc.date.issued2025-03-12-
Data de envio: dc.date.issued2024-12-18-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/36066-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/1102034-
Descrição: dc.descriptionBird species classification is essential for ecosystem monitoring and conservation, helping to identify areas at risk for biodiversity and to preserve endangered species. However, the task faces technical challenges due to the large number of species to be classified and the availability of images of lesser-known species. Despite several implementations with machine learning, such as the model in Migliorini (2022), issues such as high computational cost and data imbalance limit the applicability of the models. This work proposes the use of Siamese networks and data augmentation and oversampling techniques to overcome these limitations, seeking to create a more efficient and accurate model for bird species classification. The model was implemented using the Python programming language, with the help of the TensorFlow and Keras libraries, and trained in the Google Colab cloud computing environment. The developed model did not obtain the expected results, reaching 11% accuracy with k=1 and 41% accuracy with k=10 after training.-
Descrição: dc.descriptionA classificação de espécies de pássaros é fundamental para o monitoramento e a conservação de ecossistemas, ajudando a identificar áreas de risco para a biodiversidade e a preservar espécies ameaçadas. Contudo, a tarefa enfrenta desafios técnicos devido à grande quantidade de espécies a serem classificadas e à disponibilidade de imagens de espécies menos conhecidas. Apesar de diversas implementações com aprendizado de máquinas, como o modelo de Migliorini (2022), questões como alto custo computacional e desbalanceamento de dados limitam a aplicabilidade dos modelos. Este trabalho propõe o uso de redes siamesas e técnicas de data augmentation e sobre-amostragem para superar essas limitações, buscando criar um modelo mais eficiente e preciso na classificação de espécies de pássaros. O modelo foi implementado utilizando a linguagem de programação Python, com auxílio das bibliotecas TensorFlow e Keras, e treinado no ambiente de computação em núvem Google Colab. O modelo desenvolvido não obteve os resultados esperados, alcançando 11% de acurácia com k=1 e 41% de acurácia com k=10 após o treinamento.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherPato Branco-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherDepartamento Acadêmico de Informática-
Publicador: dc.publisherEngenharia de Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Direitos: dc.rightshttp://creativecommons.org/licenses/by/4.0/-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Palavras-chave: dc.subjectVisão Computacional-
Palavras-chave: dc.subjectProcessamento de imagens-
Palavras-chave: dc.subjectNeural networks (Computer science)-
Palavras-chave: dc.subjectComputer vision-
Palavras-chave: dc.subjectImage processing-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleIdentificação de espécies de pássaros em imagens utilizando redes neurais siamesas-
Título: dc.titleIdentification of bird species in images using siamese neural networks-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.