JAI 6 - Deep Learning Teoria e Prática
|
|
- Adriana Martini
- 4 Há anos
- Visualizações:
Transcrição
1 JAI 6 - Deep Learning Teoria e Prática Cristina Nader Vasconcelos Universidade Federal Fluminense CNNs
2 Câmeras estão por toda parte!
3 Aquisição de imagens digitais 3
4 Representação Digital de Imagens 4
5 Extração de representação visual 5
6 Abordagem clássica Dados Extração de Features Tomada de decisão 6
7 Filtro D entrada saída 3-3??????? Filtro D crisnv@ic.uff.br 7
8 Filtro D entrada saída ?????? Filtro D crisnv@ic.uff.br 8
9 Filtro D entrada saída ????? Filtro D crisnv@ic.uff.br 9
10 Filtro D entrada saída ???? Filtro D crisnv@ic.uff.br
11 Filtro D entrada saída ??? Filtro D crisnv@ic.uff.br
12 Filtro D entrada saída ?? Filtro D crisnv@ic.uff.br
13 Filtro D entrada saída ? Filtro D crisnv@ic.uff.br 3
14 Filtro D entrada saída Filtro D crisnv@ic.uff.br 4
15 Filtragem de imagens Matriz de pesos: Operação de Filtragem: b -b -a ` a crisnv@ic.uff.br 5
16 Filtragem de imagens x x f(x,y) y g(x,y) onde: y f(x,y): intensidade original do pixel (x,y); g(x,y): resultado do processamento do pixel (x,y); N: vizinhança T: operator defino sobre N (x,y), descrito por: g(x,y) = TN(f(x,y)) crisnv@ic.uff.br 6
17 Filtragem de imagens Filtro D entrada saída ALTAMENTE PARALELIZÁVEL crisnv@ic.uff.br 7
18 Visualização de Filtros Diferentes abordagens: 8
19 GIMP Menu: Filters Generic Convolution Matrix 9
20 Features Locais: arestas? [I. Biederman], Recognition-by-components: A theory of human image understanding, crisnv@ic.uff.br Psychological Review, vol., no. 94, pp. 5 47, 987.
21 Features locais: cantos? [I. Biederman], Recognition-by-components: A theory of human image understanding, crisnv@ic.uff.br Psychological Review, vol., no. 94, pp. 5 47, 987.
22 Porque aplicações em sinais naturais/biológicos são problemas difíceis?
23 3
24 Desafios: ponto de vista, deformação, iluminação,... * ** *[R. Tao, A. Smeulders, S. Chang] Attributes and Categories for Generic Instance Search from One Example. IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp **[K. Patil, S. Bojewar] A Survey on Face Recognition of Identical Twins. International Journal of Scientific & crisnv@ic.uff.br 4 Engineering Research, Vol. 6, Issue, Feb
25 Desafios: oclusão, distinção do fundo 5
26 Desafios: variação intra-classe 6
27 7
28 "If we want our machines to think, we need to teach them to see." Fei-Fei Li 8
29 9
30 3
31 abaixo de.4 5 crisnv@ic.uff.br 3
32 Year 5 MSRA crisnv@ic.uff.br 3
33 33
34 34
35 35
36 Componentes CNN: Neurônios e mapas de features dispostos em 3 dimensões: exemplo: camada de entrada di da de profundidade un of pr altura a ur rg la altura altura x largura X profundidade largura crisnv@ic.uff.br 36
37 37
38 Componentes CNN: Neurônios e mapas de features dispostos em 3 dimensões: altura x largura X profundidade Demais camadas: cada profundidade representando um mapa de feature crisnv@ic.uff.br 38
39 Componentes CNN: campos receptivos locais Conectividade Local: um neurônio em uma camada é ligado apenas a um subconjunto de saídas da camada anterior n p n onde: a conectividade é local no plano de features, mas completa em profundidade profundidade Logo, um neurônio combina suas estradas crisnv@ic.uff.br usando n*n*p pesos 39
40 Componentes CNN: Conectividade local, múltiplas features profundidade camada Ci+ profundidade camada Ci múltiplos neurônios podem ser conectados a mesma região do volume de entrada para sua camada, organizados na dimensão profundidade da sua grade responsáveis por diferentes features Exemplo: produz volume com crisnv@ic.uff.br profundidade 6 4
41 Componentes CNN: Conectividade Local: replicamos o conjunto de neurônios ao longo das outras duas dimensões do espaço (altura e largura) escolhendo um passo para essa replicação (stride) ex: ao escolher passo criamos um volume com mesma altura e largura da camada anterior* profundidade camada Ci profundidade camada Ci+ *tratamento de borda: preenchimento crisnv@ic.uff.br (padding) 4
42 Componentes CNN: - Compartilhamento de pesos (parâmetros) entre neurônios da mesma camada, na mesma profundidade; A saída produzida por uma fatia de profundidade é um mapa de ativação fatias de profundidade (depth slices) Repartição diminui drasticamente o número de parâmetros por fatia profundidade profundidade crisnv@ic.uff.br 4
43 Exemplos: dado 9x9, filtro 3x3 saída x saída 3x3 passo 3 passo 4 crisnv@ic.uff.br 43
44 Cálculo de parâmetros: exemplo Entrada: xx Primeira camada oculta na forma de camada completamente conectada (sem compartilhamento de pesos e sem campo perceptivo): Altura 5 Profundidade 5 a gur r a L cada neurônio possui * pesos = 4 pesos se fizemos um neurônio por pixel para criar uma única camada: 4*4 = 6. pesos!! crisnv@ic.uff.br 44
45 Cálculo de parâmetros:exemplo Entrada: xx Primeira camada oculta, sem compartilhamento de pesos: campo receptivo 5x5: cada neurônio: 5x5*: 5 pesos Altura 5 Profundidade 5 a gur r a L neurônios dispostos com passo e preenchimento : Total por fatia? camada oculta com de profundidade: Total na camada? crisnv@ic.uff.br 45
46 Exemplo: passo sem preenchimento 46
47 Exemplo: passo sem preenchimento 47
48 Exemplo: passo sem preenchimento 48
49 Exemplo: passo sem preenchimento 49
50 Exemplo: passo sem preenchimento saída 6x6 5
51 Cálculo de parâmetros:exemplo Entrada: xx Primeira camada oculta, sem compartilhamento de pesos: campo receptivo 5x5: cada neurônio: 5x5*: 5 pesos Altura 5 Profundidade 5 a gur r a L neurônios dispostos com passo e preenchimento : Total por fatia: 6x6 camada oculta com de profundidade: Total na camada:? crisnv@ic.uff.br 5
52 Cálculo de parâmetros:exemplo Entrada: xx Primeira camada oculta, sem compartilhamento de pesos: campo receptivo 5x5: cada neurônio: 5x5*: 5 pesos Altura 5 Profundidade 5 a gur r a L neurônios dispostos com passo e preenchimento : Total por fatia: 6x6 camada oculta com de profundidade: Total na camada: *6*6*5*5* = 64.!!! crisnv@ic.uff.br 5
53 Cálculo de parâmetros:exemplo Entrada: xx Primeira camada oculta, com compartilhamento de pesos: campo receptivo 5x5: cada neurônio: 5x5*: 5 pesos Altura 5 Profundidade 5 a gur r a L neurônios dispostos com passo e preenchimento : Total por fatia: 6x6 neurônios, mas neurônios na mesma fatia compartilham os 5 pesos entre si camada oculta com de profundidade: Total na camada:? crisnv@ic.uff.br 53
54 Cálculo de parâmetros:exemplo Entrada: xx Primeira camada oculta, com compartilhamento de pesos: campo receptivo 5x5: cada neurônio: 5x5*: 5 pesos Altura 5 Profundidade 5 a gur r a L neurônios dispostos com passo e preenchimento : Total por fatia: 6x6 neurônios, mas neurônios na mesma fatia compartilham os 5 pesos entre si camada oculta com de profundidade: Total pesos na camada: 5 crisnv@ic.uff.br 54
55 55
56 Componentes CNN: Assim, nas camadas convolucionais os neurônios:.. 3. São conectados apenas aos seus campos receptivos locais (conectividade local); Usam o mesmo conjunto de parâmetros que seus vizinhos de mesma profundidade ou fatia. Tais pesos funcionam como pesos da filtragem sobre o sinal de entrada; Juntas, diversas fatias de uma mesma camada produzem diversos mapas de ativação, respondendo a extração de múltiplas features; crisnv@ic.uff.br 56
57 Funções de ativação: mais usadas Sigmoid mapeia números reais para o intervalo [,] Tanh Rectified Linear Unit (ReLU) mapeia números reais para f(x) = max(, x ) o intervalo [-,]. crisnv@ic.uff.br 57
58 Camadas de agrupamento (Pooling layers) max pooling filtro x passo 5 4 crisnv@ic.uff.br 58
59 Camadas de agrupamento (Pooling layers) max pooling filtro x passo crisnv@ic.uff.br 59
60 Camadas de agrupamento (Pooling layers) max pooling 4 filtro x passo crisnv@ic.uff.br 6
61 Camadas de agrupamento (Pooling layers) max pooling 4 4 filtro x passo 5 5 crisnv@ic.uff.br 6
62 Camada de saída (# neurônios = # classes) Saída como vetor de probabilidades -> softmax otimizada com cross-entropy crisnv@ic.uff.br 6
63 LeNet-5 (989) Altura x largura 3x3 6 mapas com filtros de x,passo 4 8x8 Max-pooling x, passo 4x4 6 mapas com filtros de 5x5 x Max-pooling x, passo 5x5 Completamente conectada de neurônios Completamente conectada de 84 neurônios completamente conectada de saída63 crisnv@ic.uff.br (# neurônios = # classes)
64 AlexNet () Altura x largura 4x4 55x55 96 mapas com filtros de x,passo 4 Max-pooling x, passo 7x7 56 mapas com filtros de 5x5 Max-pooling x, passo 3x3 384 mapas com filtros de 3x3 384 mapas com filtros de 3x3 56 mapas com filtros de 3x3 C. c. de 496 neurônios C. c. de 496 neurônios crisnv@ic.uff.br 64 C. c. de saída
65 ZFnet (3) Melhorias sobre os hiperparâmetros que definem a AlexNet: aumentou o número de fatias nas camadas intermediárias expandindo o tamanho das camadas de convolu ca o intermedia rias reduzindo a passada e o tamanho dos filtros da primeira camada de convolução Observa que a retirada das camadas completamente conectadas aumenta pouco o erro Deconvnet: camadas de reversão da rede que permitem a visualização das ativações produzidas pelos mapas de features ao longo da hierarquia de crisnv@ic.uff.br 65 camadas da CNN.
66 Visualizando as saídas de ativação features de nível baixo D. Zeiler, R. Fergus. Visualizing and Understanding Convolutional Networks. ECCV 4 crisnv@ic.uff.br 66
67 Visualizando as saídas de ativação features de nível médio 67
68 features de nível alto 68
69 x 7x7 4x4 8x8 56x56 x Altura x largura completamente conectada de saída (# neurônios = # classes) completamente conectada 496 neur. completamente conectada 496 neur. Max-pooling x, passo 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 Max-pooling x, passo 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 Max-pooling x, passo 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 Max-pooling x, passo 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3 Max-pooling x, passo 64 mapas com filtros de 3X3 64 mapas com filtros de 3X3 VGG [6~9 camadas] (4) crisnv@ic.uff.br 69
70 Inception (4) concatenação dos filtros convolução filtro 3x3 convolução filtro 5x5 convolução filtro x convolução filtro x convolução filtro x Max-pooling 3x3 convolução filtro x Camada anterior crisnv@ic.uff.br 7
71 GoogLeNet [/7 camadas] (4) completamente conectada de saída (# neurônios = # classes) average pooling módulo inception módulo inception Max pooling 3x3 módulo inception módulo inception módulo inception módulo inception módulo inception Max pooling 3x3 módulo inception módulo inception Max pooling 3x3 Normalização Convolução 3x3 Convolução x Normalização Max pooling 3x3 Convolução 7x7 crisnv@ic.uff.br 7
72 "Eliminação" da camada completamente conectada Lin et al. Network in Network. 3 xx # classes xx4 7x7x4 softmax linear dropout average pooling 7x7x módulo inception... crisnv@ic.uff.br 7
73 ResNet (5) Shortcut connections : x Camada com pesos ReLU pulam um ou mais camadas; usadas na ResNet para mapear identidade; não introduzem novos parâmetros; Camada com pesos f(x) + x ReLU Profundidade da ResNet: Shortcut connections; Normalização (inicializaçãocrisnv@ic.uff.br e de 73 camadas intermediárias);
74 56x56 Altura x largura x 6 camadas 8x8 4x4 8 camadas 7x7 camadas 6 camadas x completamente conectada de saída (# neurônios = # classes) 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3 5 mapas com filtros de 3x3, passo 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3 56 mapas com filtros de 3x3, passo 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3 8 mapas com filtros de 3x3, passo 64 mapas com filtros de 3x3 64 mapas com filtros de 3x3 64 mapas com filtros de 3x3 64 mapas com filtros de 3x3 64 mapas com filtros de 3x3 64 mapas com filtros de 3x3 Max-pooling 3x3, passo 64 mapas com filtros de 7x7, passo ResNet-34 (5) [muitas + camadas...] crisnv@ic.uff.br 74
75 Outras aplicações de CNN em imagens Fang et al. From Captions to Visual Concepts and Back. 5 J. Long, E. Shelhamer, T. Darrell. Fully Convolutional Networks for Semantic Segmentation. 5 crisnv@ic.uff.br 75
76 Som como imagem M. Espi, M. Fujimoto, K. Kinoshita, and T. Nakatani. Exploiting spectro-temporal locality in deep learning based acoustic event detection, 5 crisnv@ic.uff.br 76
77 Texto como imagem Xiang Zhang, Junbo Zhao, Yann LeCun. Character-level Convolutional Networks for Text Classification. 6 crisnv@ic.uff.br 77
78 Conclusões 78
79 CNNs recentes adotam tamanhos de filtros pequenos; eliminam/reduzem camadas completamente conectadas; adotam tamanhos de janelas de pooling pequenos; tamanho de passo (stride) muito profundas (MSRA 5 - experimentos com 5 e camadas); crisnv@ic.uff.br 79
80 Fatores que impulsionaram o DL: desenvolvimento de algoritmos de aprendizado eficientes; bancos padrões de referência (benchmarks) aumento da capacidade de processamento e poder de processamento de fins gerais utilizando hardware gráfico (GPU) crisnv@ic.uff.br 8
81 Vantagens de abordagens com aprendizado profundo Robustez: uma hierarquia de features é aprendida de maneira ótima para a tarefa proposta mostra-se capaz de aprender as complexas variações existentes nos dados Generalizável: a mesma arquitetura pode ser usada em diferentes tarefas e tipos de dados Escalável: mais dados levam ao aumento de performance método massivamente paralelizável crisnv@ic.uff.br 8
82 Perguntas... 8
Redes Convolucionais Aplicadas em Visão Computacional
Redes Convolucionais Aplicadas em Visão Computacional Marcos José Canêjo Estevão de Azevêdo mjcea@cin.ufpe.br Sumário História Evolução Tipos Aplicações Considerações Finais 2 História Surgiram em 1980
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
Leia maisGoogLeNet - Going Deeper with Convolutions
- Going Deeper with Convolutions Heyde Francielle do Carmo França Prof. Dr. Anderson Soares Instituto de Informática Universidade Federal de Goiás 02 de Dezembro de 2016 1 / 35 Sumário I 1 2 3 2 / 35 3
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
Leia maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
Leia maisVERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION - VGG
Exemplo de Implementação - 16 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION - VGG Edjalma Queiroz da Silva Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado
Leia maisRoberto Lotufo Big Data Brasil São Paulo, 23 de junho de 2018
Roberto Lotufo roberto@neuralmind.ai Big Data Brasil São Paulo, 23 de junho de 2018 Classificação dedo falso/dedo vivo Desempenho atual: 200ms Intel I5 99% acurácia LivDet 2015 - Fingerprint Liveness Competition
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos Universidade Federal Fluminense Fundamentos Computação baseada em modelos crisnv@ic.uff.br 2 Computação baseada em aprendizado
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.6. Deep Learning 2.6.1. O Problema da Extração de Características
Leia maisREADING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING
READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING Fernanda Maria Sirlene READING DIGITS IN NATURAL IMAGES WITH UNSUPERVISED FEATURE LEARNING NIPS Workshop on Deep Learning and Unsupervised
Leia maisReconhecimento de Modelos de Veículos
Reconhecimento de Modelos de Veículos Fernando Benedito Veras Magalhães January 15, 2018 1 Introdução Em 2017, 2,1 milhões de automóveis, incluindo picapes e furgões, foram vendidos no Brasil. A variedade
Leia maisRedes Neurais Convolucionais com Tensorflow: Teoria e Prática
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 382-406, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Capítulo 7 Redes Neurais Convolucionais
Leia maisSistema de Reconhecimento Facial Baseado em Redes Neurais Convolucionais Profundas com Aplicação no Comércio Varejista
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS Gustavo Henrique Rigamonti Sistema de Reconhecimento Facial Baseado em Redes Neurais Convolucionais Profundas com Aplicação no Comércio Varejista
Leia maisUma Abordagem Genética Para Redes Neurais Convolucionais
Uma Abordagem Genética Para Redes Neurais Convolucionais Roberto M. Pinheiro Pereira 1, Lucas Bezerra Maia 1, Polyana Bezerra Da Costa 1, Jordan Boaz Rodrigues 1, Geraldo Braz Junior 1 João D. S. De Almeida,
Leia maisRedes Neurais Convolucionais Aplicadas à Preensão Robótica
Redes Neurais Convolucionais Aplicadas à Preensão Robótica Renata Oliveira, Errison Alves e Carlos Malqui DEE - Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), RJ, Brasil renata.garcia.eng@gmail.com
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS. Kaio Augusto de Oliveira
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS Kaio Augusto de Oliveira Avaliação de desempenho de redes neurais convolucionais para classificação de imagens de texturas rotacionadas. São
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS FABIO AUGUSTO GONÇALVES FACCINI
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS FABIO AUGUSTO GONÇALVES FACCINI Avaliação de desempenho de uma rede neural convolucional para classificação de imagens ruidosas São Carlos 2018
Leia maisClassificação de Lesões no Cérebro em Imagens de Ressonância Magnética usando SLIC, Particle Swarm Optimization e Convolutional Neural Network
Classificação de Lesões no Cérebro em Imagens de Ressonância Magnética usando SLIC, Particle Swarm Optimization e Convolutional Neural Network Carolina L. S. Cipriano 1, Felipe J. P. de Andrade 1, Jonnison
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisRedes Neurais Arti-iciais - Introdução. Visão Computacional Prof. Geraldo Braz Junior
Redes Neurais Arti-iciais - Introdução Visão Computacional Prof. Geraldo Braz Junior Inspiração 2 Inspiração 3 Inspiração A=vidade sele=va nas conexões Soma os impulsos e passa a diante 4 Inspiração As
Leia maisUm Estudo sobre Diferente Tipos de Funções de Custo Para Redes Neurais Convolucionais
Um Estudo sobre Diferente Tipos de Funções de Custo Para Redes Neurais Convolucionais Roberto M. Pinheiro Pereira, Lucas Bezerra Maia, Thalles Alencar Silva, Alexandre César P. Pessoa, Geraldo Braz Junior
Leia maisClassificação de Objetos em Contexto Real por Redes Neurais Convolutivas
Luís Marcelo Vital Abreu Fonseca Classificação de Objetos em Contexto Real por Redes Neurais Convolutivas Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisINF011 - Seminários de Pesquisa II
INF011 - Seminários de Pesquisa II Doutorando: Erick Toshio Yamamoto Orientador: Prof. Dr. Ricardo Suyama Professor da Disciplina: Prof. Dr. João Henrique Kleinschmidt Santo André, 02 de maio de 2018 Agenda
Leia maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia maisAprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Leia maisUm comparativo entre arquiteturas de redes neurais profundas aplicadas no reconhecimento de imagens
Um comparativo entre arquiteturas de redes neurais profundas aplicadas no reconhecimento de imagens Leandro R. L. Pavão, Tatiana F. M. dos Santos, Carlos O. Rolim Universidade Regional Integrada do Alto
Leia maisReconhecimento de Gestos
Reconhecimento de Gestos Henrique Augusto Richter Tópicos em Visão Computacional Universidade Federal do Paraná Sumário Introdução Utilização Problemas Trabalhos Artigo 1 Artigo 2 Project Soli Introdução
Leia maisMachine learning para reconhecimento de padrões em tempo real
Machine learning para reconhecimento de padrões em tempo real Felipe Kühne Guilherme Webber Mendes DBLab Laboratório de Inovação DBServer Assessoria em Sistemas de Informação Junho de 2018 Quem somos Felipe
Leia maisClassificação de espécies de peixe utilizando redes neurais convolucional
Classificação de espécies de peixe utilizando redes neurais convolucional Andre G. C. Pacheco a,1 a Programa de Pós-Graduação em Informática (PPGI), Universidade Federal do Espírito Santo (UFES), Vitória
Leia maisCombinação de Superpixels e Redes Convolucionais para Segmentação de Bovinos. Diogo Nunes Gonçalves
Combinação de Superpixels e Redes Convolucionais para Segmentação de Bovinos Diogo Nunes Gonçalves SERVIÇO DE PÓS-GRADUAÇÃO DA FACOM- UFMS Data de Depósito: Assinatura: Combinação de Superpixels e Redes
Leia maisRedes Neurais Convolucionais de Profundidade para Reconhecimento de Textos em Imagens de CAPTCHA
Redes Neurais Convolucionais de Profundidade para Reconhecimento de Textos em Imagens de CAPTCHA Vitor Arins Pinto 1 1 Departamento de Informática e Estatística - Universidade Federal de Santa Catarina
Leia maisReconstrução 3D com auxílio de segmentações múltiplas
! Universidade Federal de Pernambuco Centro de Informática Graduação em Ciência da Computação Reconstrução 3D com auxílio de segmentações múltiplas Rafael Francisco Cavalcanti Campos Gouveia Proposta de
Leia maisIntrodução à Aprendizagem Profunda
Capítulo 3 Introdução à Aprendizagem Profunda Eduardo Bezerra (CEFET/RJ) Abstract Deep Learning is a subfield of Machine Learning investigating techniques to simulate the behavior of the human brain in
Leia maisComo funciona o Deep Learning
mini:3 Capítulo 3 Como funciona o Deep Learning Moacir A. Ponti 1 e Gabriel B. Paranhos da Costa 1 Resumo Métodos de Aprendizado Profundo (Deep Learning) são atualmente o estado-da-arte em muitos problemas
Leia maisAPRENDIZADO PROFUNDO PARA CLASSIFICAÇÃO DE MICROORGANISMOS. Renan Carlos Prata de Faria
APRENDIZADO PROFUNDO PARA CLASSIFICAÇÃO DE MICROORGANISMOS Renan Carlos Prata de Faria Dissertação de Mestrado apresentada ao Programa de Pós-graduação em Engenharia de Sistemas e Computação, COPPE, da
Leia maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisINTRODUÇÃO À APRENDIZAGEM PROFUNDA. Eduardo Bezerra (CEFET/RJ)
INTRODUÇÃO À APRENDIZAGEM PROFUNDA Eduardo Bezerra (CEFET/RJ) ebezerra@cefet-rj.br Sobre mim 2 Professor do CEFET/RJ (Rio de Janeiro) desde 2005. Docente permanente no recém-criado Programa de Pós-Graduação
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisObject Tracking. Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional
Object Tracking Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional Índice 1. Introdução a. Problema b. Aplicações c. Dificuldades d. Datasets 2. Redes Neurais Convolucionais
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisReconhecimento de Caracteres em Imagens com Ruído
Reconhecimento de Caracteres em Imagens com Ruído Sirlene Pio UFOP sirlenepg@gmail.com Fernanda Maria Ribeiro UFOP fernandamaria si@yahoo.com.br Abstract O desempenho dos métodos de aprendizagem de máquina
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Tópicos Detecção de Pontos Isolados Detecção de Linhas Prof. Sergio Ribeiro 2 Operações lógicas e aritméticas orientadas a vizinhança utilizam o conceito
Leia maisProjetos finais. Grupo 3
Projetos finais Grupo 3 Integrantes Laez Barbosa da Fonseca Filho 8586902 laez.filho@usp.br Caetano Mastroianni Dieguez 7210164 caetano.dieguez@usp.br Lais Harumi Fukujima Aguiar 8587142 lais.aguiar.br@ieee.org
Leia maisFILTROS ESPACIAIS PASSA-BAIXA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CMP65 - INTRODUÇÃO AO PROCESSAMENTO DE IMAGENS PROFESSOR JACOB SCARCHANSKI FILTROS ESPACIAIS PASSA-BAIXA POR DANIEL NEHME
Leia maisT4 Processamento de Imagem
T4 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Hélder Filipe Pinto de Oliveira Resumo 1. Manipulação ponto a ponto 2. Conetividade 3. Filtros espaciais 4. Extração de estruturas
Leia maisProcessamento de Imagens COS756 / COC603
Processamento de Imagens COS756 / COC603 aula 07 - deteção de características de baixo-nível (low-level feature detection) Antonio Oliveira Ricardo Marroquim 1 / 35 aula de hoje feature detection overview
Leia maisAula 3 Processamento Espacial
SEL 0449 - Processamento Digital de Imagens Médicas Aula 3 Processamento Espacial Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br EESC/USP Processamento Espacial Transformações ponto a ponto
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Esteban Clua e Cristina Nader Vasconcelos (Universidade Federal Fluminense) Redes Recorrentes e LSTM 1 Redes Neurais: direcionamento das conexões Redes Neurais Alimentadas
Leia maisPerson Re-Identification. Autor: Guilherme Zasyeki Machado
Person Re-Identification Autor: Guilherme Zasyeki Machado Sumário - Introdução ao problema - Visão geral ao processo de Re-Identificação - Evolução estado da arte - Datasets disponíveis - Análise estado
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO COORDENADORIA GERAL DE PESQUISA EDITAL PROPESQ/CGP Nº 002/17
EDITAL PROPESQ/CGP Nº 002/17 PROCESSO SELETIVO DE BOLSAS DE INICIAÇÃO EM DESENVOLVIMENTO TECNOLÓGICO E INOVAÇÃO PUC-CAMPINAS GRUPO ENGENHO A PONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS PUC-CAMPINAS, por
Leia maisKanade-Lucas-Tomasi Tracker
COPPE-UFRJ Kanade-Lucas-Tomasi Tracker Ricardo Marroquim data entrega: pós-graduação: 18/05/2016 graduação: 27/05/2016 1 NOTAÇÕES Uma imagem é definida como uma função f (x, y), x, y Z, onde f (x, y) :
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisQuadro Segmentação de Imagens
UNIVERSIDADE DE SÃO PAULO - SÃO CARLOS INSTITUTO DE CIÊNCIAS Processamento de Imagens - SCC0251 2013/1 Prof. Dr. Mario Gazziro Monitor PAE: Vinicius Ruela Pereira Borges - viniciusrpb@icmc.usp.br 1 Método
Leia maisSEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro
SEMINÁRIO Visão Computacional Aluno: Afonso Pinheiro Detecting Pedestrians Using Patterns of Motion and Appearance *Paul Viola *Michael J. Jones *Daniel Snow Por que detectar pedestres? http://conexaopenedo.com.br/2016/02/sistema-consegue-detectar-pedestres-em-tempo-real/
Leia maisVisualização de Camadas Intermediárias de Redes Neurais Convolucionais de Transformação de Imagem
UNIVERSIDADE FEDERAL DO RIO GRANDE CENTRO DE CIÊNCIAS COMPUTACIONAIS PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO CURSO DE MESTRADO EM ENGENHARIA DE COMPUTAÇÃO Dissertação de Mestrado Visualização de Camadas
Leia maisMineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra. Padrões e processos em Dinâmica de uso e Cobertura da Terra
Mineração de Dados para Detecção de Padrões de Mudança de Cobertura da Terra Padrões e processos em Dinâmica de uso e Cobertura da Terra Introdução 1 2 3 4 Capacidade de Armazenamento X Análise e Interpretação
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisDOCUMENTO TÉCNICO. Hikvision Advanced Image Signal Processing HIKVISION. Redução de ruído. Autor:LiuYang. Para liberação [29/03/2013] TW da Hikvision
HIKVISION Telefone: 909.895.0400 Fax: 909.595.2788 Marketing@Hikvisionusa.com 908 Canada Court City of Industry, CA 91748 HIKVISION DOCUMENTO TÉCNICO Redução de ruído Autor:LiuYang Para liberação [29/03/2013]
Leia maisDetecção de pessoas em um ambiente industrial utilizando imagens de profundidade e classificadores profundos
Detecção de pessoas em um ambiente industrial utilizando imagens de profundidade e classificadores profundos Eduardo Henrique Arnold e Danilo Silva Resumo Esse trabalho descreve o desenvolvimento de um
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia maisIntrodução a Visão Computacional. Prof. Dr. Geraldo Braz Junior DEINF - UFMA
Introdução a Visão Computacional Prof. Dr. Geraldo Braz Junior DEINF - UFMA O que é Visão Computacional? Você já viu? 2 O que se espera? Visão é sobre entender imagens Coloridas ou em tons de cinza Pequenas
Leia maisESCOLA POLITÉCNICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MESTRADO EM CIÊNCIA DA COMPUTAÇÃO LEANDRO PEREIRA DA SILVA
ESCOLA POLITÉCNICA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MESTRADO EM CIÊNCIA DA COMPUTAÇÃO LEANDRO PEREIRA DA SILVA LEANNET: UMA ARQUITETURA QUE UTILIZA O CONTEXTO DA CENA PARA MELHORAR O
Leia maisReconhecimento de Produtos por Imagem Utilizando Palavras Visuais e Redes Neurais Convolucionais
Reconhecimento de Produtos por Imagem Utilizando Palavras Visuais e Redes Neurais Convolucionais Guilherme Defreitas Juraszek 1 Alexandre Gonçalves Silva 2 André Tavares da Silva 1 Resumo: Este trabalho
Leia maisMétodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia maisImage Descriptors: color
Image Descriptors: color Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: color 2011 1 / 29 Agenda
Leia maisDeep Learning na Visão Computacional
Deep Learning na Visão Computacional Hae Yong Kim Deep learning está realizando tarefas que pareciam impossíveis 5 anos atrás. Estamos dando passos para computador que: * Entende o que vê; * Entende o
Leia maisUM ESTUDO SOBRE ABORDAGENS PARA DE CLASSIFICAÇÃO DE ANIMAIS EM IMAGENS DE ARMADILHAS FOTOGRÁFICAS
UNIVERSIDADE FEDERAL DO AMAZONAS INSTITUTO DE COMPUTAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM INFORMÁTICA UM ESTUDO SOBRE ABORDAGENS PARA AVALIAÇÃO OUT-OF-SAMPLE DE MODELOS DE CLASSIFICAÇÃO DE ANIMAIS EM IMAGENS
Leia maisSignature verification
Signature verification Thiago Jorge Abdo Departamento de informática Universidade Federal do Paraná Junho, 2018 Sumário 1 Introducao 2 Dificuldades 3 Offline signature verification 4 Online signature verification
Leia maisSEL Visão Computacional. Aula 2 Processamento Espacial
Departamento de Engenharia Elétrica - EESC-USP SEL-5895 - Visão Computacional Aula 2 Processamento Espacial Prof. Dr. Adilson Gonzaga Prof. Dr. Evandro Linhari Rodrigues Prof. Dr. Marcelo Andrade da Costa
Leia maisRevista de Sistemas de Informação da FSMA n. 22 (2018) pp
Revista de Sistemas de Informação da FSMA n. 22 (208) pp. 49-59 http://www.fsma.edu.br/si/sistemas.html Uma Introdução Compreensiva às Redes Neurais Convolucionais: Um Estudo de Caso para Reconhecimento
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia maisReconhecimento de Sinais de Trânsito Utilizando Deep Learning
Reconhecimento de Sinais de Trânsito Utilizando Deep Learning Marcos Vinícius Oliveira Sobrinho 1, Matheus Chaves Menezes 1, Chrystian Gustavo Martins Nascimento 1, Geraldo Braz Júnior 2 1 Curso de Ciência
Leia maisClassiĄcação de vias através de imagens aéreas usando Deep Learning
UNIVERSIDADE FEDERAL DE UBERLÂNDIA Amanda Costa Spolti ClassiĄcação de vias através de imagens aéreas usando Deep Learning Uberlândia, Brasil 2018 UNIVERSIDADE FEDERAL DE UBERLÂNDIA Amanda Costa Spolti
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisFelipe Schneider Nunes UM MODELO DE IDENTIFICAÇÃO DE SAL EM IMAGENS SÍSMICAS DE CAMADAS SUBTERRÂNEAS COM A APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS
Felipe Schneider Nunes UM MODELO DE IDENTIFICAÇÃO DE SAL EM IMAGENS SÍSMICAS DE CAMADAS SUBTERRÂNEAS COM A APLICAÇÃO DE REDES NEURAIS CONVOLUCIONAIS Trabalho de Conclusão de Curso apresentado ao Departamento
Leia maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisHenrique Dias de Alexandria Gonçalves
VISÃO COMPUTACIONAL APLICADA À INSPEÇÃO DE DUTOS SUBMARINOS Henrique Dias de Alexandria Gonçalves Projeto de Graduação apresentado ao Curso de Engenharia Eletrônica e de Computação da Escola Politécnica,
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia maisAI / ML / Deep Learning
Universidade Federal do Paraná (UFPR) Especialização em Engenharia Industrial 4.0 AI / ML / Deep Learning David Menotti www.inf.ufpr.br/menotti/am-18a Objetivos Deep Learning - Breakthroughs Histórico
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 2 Processamento Espacial (Parte 2)
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 2 Processamento Espacial (Parte 2) Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisPAULO ROBERTO SILVA CHAGAS JÚNIOR
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO PAULO ROBERTO SILVA CHAGAS JÚNIOR Avaliação de arquiteturas de Redes Neurais Convolucionais
Leia maisWERTON PONTES DE ARAUJO LOCALIZAÇÃO DOS CENTROS DOS OLHOS USANDO REDES NEURAIS CONVOLUTIVAS E GRADIENTES DE IMAGEM
UNIVERSIDADE ESTADUAL DO CEARÁ CENTRO DE CIÊNCIAS E TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO MESTRADO ACADÊMICO EM CIÊNCIA DA COMPUTAÇÃO WERTON PONTES DE ARAUJO LOCALIZAÇÃO DOS CENTROS
Leia maisAplicações de Processamento de Imagens em Instrumentação
Aplicações de Processamento de Imagens em Instrumentação Clécio De Bom clecio.bom@cefet-rj.br Centro Federal de Educação Técnológica Celso Suckow da Fonseca Centro Brasileiro de Pesquisas Físicas 20 de
Leia maisIMPLEMENTAÇÃO DE REDES NEURAIS PROFUNDAS PARA RECONHECIMENTO DE AÇÕES EM VÍDEO. Patrícia de Andrade Kovaleski
IMPLEMENTAÇÃO DE REDES NEURAIS PROFUNDAS PARA RECONHECIMENTO DE AÇÕES EM VÍDEO Patrícia de Andrade Kovaleski Projeto de Graduação apresentado ao Curso de Engenharia de Computação e Informação da Escola
Leia maisAprendizagem Profunda (Deep Learning) Marcondes Ricarte Universidade Federal de Pernambuco Centro de Informática
Aprendizagem Profunda (Deep Learning) Marcondes Ricarte Universidade Federal de Pernambuco Centro de Informática Conteúdo Motivação. Conceitos gerais. Operações básicas Modelos: Convolutional Neural Networks
Leia maisDetecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
Leia maisRecognition of Pantanal Animal Species using Convolutional Neural Networks
Recognition of Pantanal Animal Species using Convolutional Neural Networks Diogo Nunes Gonçalves, Mauro dos Santos de Arruda, Lucas Abreu da Silva, Reinaldo Felipe Soares Araujo, Bruno Brandoli Machado,
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Filtragem de Imagens A utilização de filtros tem como objetivo melhorar a qualidade das imagens através da: ampliação
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Tópicos 1. Seleção de atributos 2. Redução de
Leia mais