Reconhecimento de cenários baseado nas localizações dos fornecedores do governo federal

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorLadeira, Marcelo-
Autor(es): dc.creatorFerreira, Rodrigo Peres-
Data de aceite: dc.date.accessioned2021-10-14T18:02:57Z-
Data de disponibilização: dc.date.available2021-10-14T18:02:57Z-
Data de envio: dc.date.issued2019-07-10-
Data de envio: dc.date.issued2019-07-10-
Data de envio: dc.date.issued2019-07-10-
Data de envio: dc.date.issued2018-12-17-
Fonte completa do material: dc.identifierhttp://repositorio.unb.br/handle/10482/34996-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/622346-
Descrição: dc.descriptionDissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2018.-
Descrição: dc.descriptionUma das características mais comuns em qualquer esquema de corrupção ou desvio de recursos públicos é a presença de fornecedores de fachada, através dos quais se dá uma aparência legal a recursos com destinação ilícita. Este trabalho investiga a aplicação de um classificador de imagens para auxiliar na detecção de tais fornecedores, utilizando redes neurais convolucionais (CNN em inglês). Foram obtidas cerca de 120 mil imagens de 30 mil fornecedores com contratos ativos com o Executivo Federal entre 2016 e 2017, por meio de pesquisas de endereços pela API do Google Street View. Cada imagem baixada foi classificada entre cenários comerciais (lojas de rua) e não comerciais (diferentes de lojas de rua), através do ajuste fino de uma rede convolucional pré-treinada com milhões de imagens e centenas de categorias de cenários do banco de imagens Places365. Ao final, verificamos que é possível ajustar com sucesso modelos de redes convolucionais para diferenciar cenários entre comerciais e não comerciais, e o desempenho dos modelos ajustados não depende de orientações específicas das imagens. Além disso, os resultados obtidos com testes Qui-Quadrado e Regressão Logística permitiram verificar que existe uma relação estatisticamente significativa entre um cenário ser comercial e a diminuição de risco de punição de um fornecedor, especialmente em algumas classes de atividade econômica relacionadas à Administração Pública, Saúde e Outros Serviços. Entretanto, esta informação ainda possui baixo valor preditivo se comparada a algumas das tipologias já levantadas no âmbito do Ministério da Transparência e Controladoria-Geral da União (CGU).-
Descrição: dc.descriptionIn most corruption scandals, the use of front companies for money laundering is almost ubiquitous. This work investigates the application of an image classifier to detect such organizations, through the use of Convolutional Neural Networks (CNN). We collected about 120 thousand images from 30 thousand government suppliers contracted by the Executive Branch of the Brazilian Federal Government between 2016 and 2017, through address searching using the Google Street View API. Each image was classified between street market and non street market places, through fine-tuning a pretrained CNN with millions of images and hundreds of places categories from the Places365 database. Finally, we checked that it is possible to fine-tune convolutional neural networks to classify such scenes, and the performance of these networks is independent of image orientation. Our experiments results using Chi-Squared tests and Logistic Regression also showed us that exists a statistically significant relationship between places classified as street markets and lower risk for suppliers, especially for some economic sectors, such as those related to Public Administration, Health and Other Services. However, this information has low predictive value when compared to others already gathered by the Ministry of Transparency and Office of the Comptroller General (CGU, in Portuguese) auditors.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectReconhecimento de cenários-
Palavras-chave: dc.subjectFachadas de edificações-
Palavras-chave: dc.subjectRedes neurais-
Palavras-chave: dc.subjectProcessamento de imagens - técnicas digitais-
Palavras-chave: dc.subjectClassificação de imagens-
Palavras-chave: dc.subjectAprendizagem de máquina-
Palavras-chave: dc.subjectSistemas de segurança-
Palavras-chave: dc.subjectRedes neurais (Computação)-
Título: dc.titleReconhecimento de cenários baseado nas localizações dos fornecedores do governo federal-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.