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 | Watanabe, Willian Massami | - |
Autor(es): dc.contributor | https://orcid.org/0000-0001-6910-5730 | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8946276875418151 | - |
Autor(es): dc.contributor | Endo, Andre Takeshi | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/4221336619791961 | - |
Autor(es): dc.contributor | Oliveira, Claiton de | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8851289265109891 | - |
Autor(es): dc.contributor | Bugatti, Pedro Henrique | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/2177467029991118 | - |
Autor(es): dc.contributor | Watanabe, Willian Massami | - |
Autor(es): dc.contributor | http://lattes.cnpq.br/8946276875418151 | - |
Autor(es): dc.creator | Santos, Danilo Alves dos | - |
Data de aceite: dc.date.accessioned | 2025-08-29T13:20:08Z | - |
Data de disponibilização: dc.date.available | 2025-08-29T13:20:08Z | - |
Data de envio: dc.date.issued | 2022-11-27 | - |
Data de envio: dc.date.issued | 2022-11-27 | - |
Data de envio: dc.date.issued | 2022-08-18 | - |
Fonte completa do material: dc.identifier | http://repositorio.utfpr.edu.br/jspui/handle/1/30193 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/1111424 | - |
Descrição: dc.description | The variety of browsers available to users, which allow accessing and executing web applications, leaves room for the occurrence of display incompatibilities or execution of components present in web pages due to the different configurations between the existing rendering engines. Even with the advancement of technologies for developing responsive pages, rendering incompatibilities are still present. When these incompatibilities occur due to running in different browsers they are known as Cross-Browser Incompatibilities, or XBI. For developers, this means more time spent performing manual inspections to detect and correct these incompatibilities. Report the advances in the use of deep neural networks associated with object classification through computer vision, this work used this approach in the classification scenario of internal layout incompatibilities in responsive web applications. For this, experiments were conducted using classifiers based on Convolutional Neural Networks. Different configurations were analyzed to identify the architecture that best suited the proposed classifier. For network training, pixels generated from screenshots from datasets from previous works were used as input data. To quantify the effectiveness of the classifier with the proposed approach, 10-Fold-Cross-Validation method was used, combined with Precision, Recall and F-Score metrics, where it was verified that the proposed model presented better results of Precision and Recall in relation to to the Browserbite strategy, but it was not able to achieve similar results to the Crosscheck and Watanabe et al. (2019) strategies, used to oppose the implemented model. Through the experiment conducted, it can be said that the main factor that influenced the low efficiency of the classifier was the unbalance of the available dataset. | - |
Descrição: dc.description | A variedade de browsers disponíveis para os usuários, que permitem acessar e executar aplicações web, abre margem para a ocorrência de incompatibilidades de exibição ou execução de componentes presentes nas páginas web devido às diferentes configurações entre os motores de renderização existentes. Mesmo com o avanço das tecnologias para desenvolvimento de páginas responsivas, às incompatibilidades de renderização ainda se fazem presentes. Quando essas incompatibilidades ocorrem devido à execução em diferentes browsers são conhecidas como Incompatibilidades Cross-Browser, ou XBI. Para os desenvolvedores isso representa um maior tempo gasto com a realização de inspeções manuais para detecção e correção dessas incompatibilidades. Considerando os avanços significativos no uso de redes neurais profundas associado à classificação de objetos por meio de visão computacional, este trabalho utilizou essa abordagem no cenário de classificação de incompatibilidades internas de layout em aplicações web responsivas. Para isso foram conduzidos experimentos com uso de classificadores baseados em Redes Neurais Convolucionais. Foram analisadas diferentes configurações para identificar a arquitetura que melhor se adequasse ao classificador proposto. Para treinamento da rede foram utilizados como dados de entrada conjuntos de pixels gerados a partir de screenshots provenientes de dataset de trabalhos anteriores. Para quantificar a eficácia do classificador com a abordagem proposta foi utilizado o método 10-Fold-Cross-Validation, combinado com as métricas Precision, Recall e F-Score, onde foi verificado que o modelo proposto apresentou resultados superiores de Precision e Recall em relação à estratégia Browserbite, porém não foi capaz de alcançar resultados similares às estratégias Crosscheck e Watanabe et al. (2019), utilizados para contrapor o modelo implementado. Por meio do experimento conduzido, pode-se afirmar que o principal fator que influenciou a baixa eficácia do classificador foi o desbalanceamento do dataset disponível. | - |
Formato: dc.format | application/pdf | - |
Idioma: dc.language | pt_BR | - |
Publicador: dc.publisher | Universidade Tecnológica Federal do Paraná | - |
Publicador: dc.publisher | Cornelio Procopio | - |
Publicador: dc.publisher | Brasil | - |
Publicador: dc.publisher | Programa de Pós-Graduação em Informática | - |
Publicador: dc.publisher | UTFPR | - |
Direitos: dc.rights | openAccess | - |
Palavras-chave: dc.subject | Software de aplicação | - |
Palavras-chave: dc.subject | Aplicações Web | - |
Palavras-chave: dc.subject | Redes Neurais (Computação) | - |
Palavras-chave: dc.subject | Application software | - |
Palavras-chave: dc.subject | Web applications | - |
Palavras-chave: dc.subject | Neural networks (Computer science) | - |
Palavras-chave: dc.subject | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | - |
Palavras-chave: dc.subject | Ciência da Computação | - |
Título: dc.title | Classificação de incompatibilidades cross-browser em aplicações web com design responsivo com uso de redes neurais convolucionais | - |
Título: dc.title | Cross-browser incompatibilities classification in web applications with responsive design using convolucional neural networks | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositorio Institucional da UTFPR - RIUT |
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: