Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Zaghetto, Alexandre | - |
Autor(es): dc.creator | Almeida, Juliano Rodrigues de | - |
Data de aceite: dc.date.accessioned | 2024-10-23T15:11:33Z | - |
Data de disponibilização: dc.date.available | 2024-10-23T15:11:33Z | - |
Data de envio: dc.date.issued | 2021-03-23 | - |
Data de envio: dc.date.issued | 2021-03-23 | - |
Data de envio: dc.date.issued | 2021-03-23 | - |
Data de envio: dc.date.issued | 2020-08-27 | - |
Fonte completa do material: dc.identifier | https://repositorio.unb.br/handle/10482/40286 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/capes/876815 | - |
Descrição: dc.description | Dissertação (mestrado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2020. | - |
Descrição: dc.description | A popularização do uso de aparelhos eletrônicos, como smartphones, tablets e computadores, aliado ao aumento da capacidade de armazenamento desses dispositivos, está impactando a área da perícia criminal. Cada vez mais tempo e experiência são exigidos na análise de evidências digitais na investigação criminal. Diante desse cenário, técnicas de aprendizado de máquina estão sendo implantadas no campo da perícia criminal, a fim de auxiliar a obtenção de evidências relevantes de forma mais célere e uniforme. Este trabalho apresenta um estudo que utiliza Transfer Learning (TF) e Convolutional Neural Networks (CNN) na classificação de imagens e no reconhecimento de objetos de interesse na área da perícia criminal. O modelo para classificação de imagens criado a partir de CNN obteve, para os conjuntos de testes, acurácia de 98% na classificação de imagens contendo documentos e não documentos, e 99% de acurácia na classificação entre documentos de identificação e documentos gerais. No que tange à detecção de armas em arquivos de imagem, o modelo criado utilizando a arquitetura YOLOv3 obteve mAP de 0,85. Os classificadores desenvolvidos foram integrados ao software de perícia computacional Autopsy, fornecendo acurácia de 97,9% na classificação de imagens contendo documentos. Foi possível, ainda, integrar a detecção de pessoas, carros e armas a essa ferramenta, permitindo identificar corretamente armas em 77,2% das imagens testadas. Por meio dos resultados obtidos com a integração com o software Autopsy, verifica-se o potencial prático deste projeto para realizar classificações e detecções de objetos em imagens objeto de perícia criminal. | - |
Descrição: dc.description | The popularization of electronic equipments such as smartphones, tablets and computers combined with the increase in the individual capacity of these devices have impacted the digital forensic field. More time and expertise are required in the analysis of digital evidence in the criminal investigation. Given this scenario, machine learning techniques are being studied and deployed in the realm of criminal investigation aimed at producing the forensic evidence in a faster and more uniform way. This project presents a categorybased image classification and object recognition study using Convolutional Neural Networks (CNN) and Transfer Learning (TF).The image classification model created from CNN obtained, for the test sets, 98% of accuracy in the classification of images containing documents and not documents, and 99% of accuracy in the classification between identification documents and general documents. Regarding the detection of weapons in image files, the model created using the YOLOv3 architecture obtained a mAP of 0.85. The developed classifiers were integrated with the Autopsy computer expertise software, providing 97.9% accuracy in the classification of images containing documents. It was also possible to integrate the detection of people, cars and weapons into this tool, allowing to correctly identify weapons in 77.2% of the tested images. Through the results obtained with the integration with the Autopsy software, it is possible to verify the practical potential of this project to carry out classifications and detections of objects in images subject to criminal investigations. | - |
Descrição: dc.description | Instituto de Ciências Exatas (IE) | - |
Descrição: dc.description | Departamento de Ciência da Computação (IE CIC) | - |
Descrição: dc.description | Programa de Pós-Graduação em Computação Aplicada, Mestrado Profissional | - |
Formato: dc.format | application/pdf | - |
Direitos: dc.rights | Acesso Aberto | - |
Direitos: dc.rights | A 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.subject | Transferência de aprendizagem | - |
Palavras-chave: dc.subject | Redes neurais convolucionais | - |
Palavras-chave: dc.subject | Classificação de imagens | - |
Palavras-chave: dc.subject | Reconhecimento de objetos | - |
Palavras-chave: dc.subject | Redes neurais (Computação) | - |
Palavras-chave: dc.subject | Processamento de imagens | - |
Palavras-chave: dc.subject | Perícia computacional | - |
Título: dc.title | Transfer learning e convolutional neural networks para a classificação de imagens e reconhecimento de objetos no âmbito da perícia criminal | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional – UNB |
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: