Reconhecimento de objetos em uma cena utilizando redes neurais convolucionais

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorPaula Filho, Pedro Luiz de-
Autor(es): dc.contributorCandido Junior, Arnaldo-
Autor(es): dc.contributorAikes Junior, Jorge-
Autor(es): dc.contributorMenezes, Paulo Lopes de-
Autor(es): dc.contributorPaula Filho, Pedro Luiz de-
Autor(es): dc.contributorCandido Junior, Arnaldo-
Autor(es): dc.creatorSantos, Valéria Nunes dos-
Data de aceite: dc.date.accessioned2022-02-21T21:32:46Z-
Data de disponibilização: dc.date.available2022-02-21T21:32:46Z-
Data de envio: dc.date.issued2020-11-15-
Data de envio: dc.date.issued2020-11-15-
Data de envio: dc.date.issued2018-06-13-
Fonte completa do material: dc.identifierhttp://repositorio.utfpr.edu.br/jspui/handle/1/12497-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/655052-
Descrição: dc.descriptionIdentifying and classifying objects in an image is a process that has attracted attention in recent years due to the evolution of artificial neural networks. Today there are artificial neural networks capable of being trained with N classes and still maintain a high accuracy for predicting objects. The convolutional neural networks are the main ones when it comes to images because they are designed with a focus on finding objects in scenes. Thus, both the classification and location of cans and bottles in which the proposed objects are made possible through convolutional neural networks. It is important to stress that the training base of a convolutional neural network is summarized in large-scale computation, which in turn requires a lot of processing, so the use of tools that bring benefits in relation to the cost of processing such as GPUs and of CUDA technology was an indisputable criterion, since without them it would not be possible to use the ideal network configurations and also negatively impact the training time of the network. Finally, the results obtained with convolutional neural network training to detect cans and bottles reached expectations, considering that the network reached an average accuracy of 87.55%, in a time interval of approximately four days of training.-
Descrição: dc.descriptionIdentificar e classificar objetos em uma imagem ´e um processo que tem chamado a atenção nos últimos anos devido a evolução das redes neurais artificias. Hoje existem redes neurais artificiais capazes de serem treinadas com N classes e ainda manter uma acurácia alta para predição de objetos. As redes neurais convolucionais são as principais quando se trata de imagens, pois foram projetadas com foco em localizar objetos em cenas. Com isso, tanto a classificação quanto a localização de latas e garrafas nos quais são os objetos propostos se torna possível através das redes neurais convolucionais. É importante frisar que a base do treinamento de uma rede neural convolucional se resume em cálculo de larga escala o que por sua vez requer muito processamento, logo o uso de ferramentas que tragam benefícios em relação ao custo de processamento como ´e o caso das GPUs e da tecnologia CUDA foi um critério indiscutível, pois sem estes não seria possível utilizar as configurações ideais da rede e também impactaria negativamente no tempo de treinamento da mesma. Por fim, os resultados obtidos com o treinamento da rede neural convolucional para detectar latas e garrafas atingiu as expectativas, considerando que a rede alcançou uma média de precisão de 87,55%, em um intervalo de tempo de aproximadamente quatro dias de treinamento.-
Formato: dc.formatapplication/pdf-
Idioma: dc.languagept_BR-
Publicador: dc.publisherUniversidade Tecnológica Federal do Paraná-
Publicador: dc.publisherMedianeira-
Publicador: dc.publisherBrasil-
Publicador: dc.publisherCiência da Computação-
Publicador: dc.publisherUTFPR-
Direitos: dc.rightsopenAccess-
Palavras-chave: dc.subjectProcessamento de imagens-
Palavras-chave: dc.subjectAprendizado do computador-
Palavras-chave: dc.subjectCatalogação - Processamento de dados-
Palavras-chave: dc.subjectImage processing-
Palavras-chave: dc.subjectMachine learning-
Palavras-chave: dc.subjectCataloging - Data processing-
Palavras-chave: dc.subjectCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO-
Título: dc.titleReconhecimento de objetos em uma cena utilizando redes neurais convolucionais-
Título: dc.titleRecognition of objects in a scene using convolutional neural network-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositorio Institucional da UTFPR - RIUT

Não existem arquivos associados a este item.