Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
|
|
- Luiz Henrique Mendonça Castro
- 7 Há anos
- Visualizações:
Transcrição
1 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 Maria Stela Veludo de Paiva Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica Resumo Este trabalho apresenta como proposta, o desenvolvimento de um algoritmo baseado em redes neurais artificiais, para a detecção de faces humanas em imagens digitais coloridas, utilizando segmentação de pele. O trabalho foi dividido em sete módulos principais, onde os módulos são: Pré-processamento, Segmentação de Pele, Pós-processamento da imagem, Detecção das Bordas, Localização de objetos, Extração de características e Detecção e interpretação da face. A detecção e interpretação da face fazem uso das características detectadas para cada objeto, as quais são aplicadas em uma rede neural MLP que identificará se o objeto sob análise é face ou não. Os resultados obtidos demonstram que é eficiente a aplicação deste trabalho em imagens coloridas que contem diversas faces de pessoas de diferentes etnias. 1. Introdução Sistemas biométricos aplicados à identificação de face auxiliam no reconhecimento e identificação de indivíduos. Isto só é possível devido à evolução das técnicas de processamento de imagens e de tecnologias e técnicas de áreas afins. Muitos sistemas aplicados existentes no mercado funcionam com eficiência, pois há interação de áreas no sistema, sem contar a qualidade dos equipamentos físicos, que atualmente atendem as expectativas de qualidade. A combinação de técnicas das áreas de processamento de imagens e inteligência artificial, mais especificamente Redes Neurais Artificiais (RNA), Sistemas Fuzzy e Sistemas Inteligentes (uma combinação de RNA e Sistemas Fuzzy), tem sido utilizadas no desenvolvimento de sistemas biométricos. O reconhecimento, ou detecção de face humana, pode ser feito tanto em imagens quanto em vídeos. A detecção é uma das etapas iniciais do reconhecimento facial, sendo, portanto, de extrema importância para o algoritmo de reconhecimento. Encontrar faces em imagens é tarefa difícil, pois pode ocorrer variação de luminosidade, e o fundo da imagem pode possuir detalhes que sobrepõe parcialmente ou totalmente a face que deverá ser localizada, entre outros problemas. Diferentes técnicas podem ser utilizadas na tarefa de detecção facial, podendo-se citar PCA-LDA (Principal Component Analysis) [1], proporção divina [2], RNA SOM (Self-Organizing Map) [1] e, sistemas Fuzzy [3] e RNA Multi-Layer Perceptron (MLP) [4]. Esse trabalho propõe um algoritmo para detecção faces que usa segmentação de pele, separando cor de pele e texturas de face, de outros objetos presentes em uma imagem. Com a segmentação de pele é reduzida a quantidade de objetos que possam interferir no processo de detecção, espera-se dessa forma, obter uma detecção com bons resultados para imagens coloridas com fundo complexo e diversas pessoas. O objetivo deste trabalho é desenvolver um algoritmo baseado em RNA e processamento de imagens para a detecção de faces humanas em imagens digitais coloridas, contendo uma ou mais faces. 2. Detecção de Faces A detecção de faces consiste na utilização de técnicas computacionais para determinar se existem faces ou não em uma imagem e, se existirem, deve retornar a localização de cada face. Embora a detecção de faces seja uma tarefa fácil para os seres humanos, a implementação de sistemas computacionais que realize esta tarefa é complexa, devido a diversas dificuldades, tais como [5]. Pose: a posição de uma ou mais face presente numa imagem varia devido à posição da face em relação à câmera (frontal, 45 graus, perfil, de cabeça para baixo) e, além disso, alguns componentes faciais como olhos e nariz, podem estar parcialmente ou totalmente obstruídos. Presença ou ausência de componentes estruturais: a presença de elementos na face tais como, barba, bigode e óculos, que podem modificar características como a forma, o tamanho e a cor. Expressão facial: a expressão da face afeta diretamente a aparência da face.
2 Oclusão: as faces podem estar parcialmente obstruídas por outros objetos. Orientação da imagem: as imagens podem variar diretamente com a rotação da câmera ao redor do eixo. Condições da imagem: quando a imagem é formada, fatores de iluminação (espectro, fonte de distribuição e intensidade) e características da câmera (resposta de sensor e lentes) podem afetar a aparência da face. Existem vários métodos para detecção de faces em imagens em escala de cinza e em imagens coloridas. [5] Cada método preocupa-se em identificar a face ou faces presentes numa imagem com a maior taxa de acerto possível, e cada um apresenta vantagens e desvantagens. Métodos mais robustos tendem a ser de implementação mais complexa e a ter maior custo computacional, como é o caso do método de autofaces (eigenfaces). Métodos que utilizam a cor da pele são de implementação mais simples, mas o resultado depende do espaço de cores utilizado. algoritmo de aprendizagem usado para treinar a rede. Pode-se identificar 4 tipos de arquiteturas de redes neurais: redes feedforward unicamada (Perceptron), redes feedforward multicamada, redes recorrentes e estrutura de Lattice (Reticulada). A seguir, será descrita a arquitetura da rede Perceptron multicamada (MLP) que é um tipo de rede feedforward, e que será na implementação deste trabaho. O perceptron multicamadas (MLP, multilayer perceptron) é uma rede do tipo feedforward, que contêm uma ou mais camadas internas (Figura 2). Tem sido aplicada com sucesso, na resolução de problemas das mais diversas áreas, podendo-se citar: reconhecimento de padrões, processamento de imagens e de sinais, e previsão de séries temporais. O seu treinamento é realizado de forma supervisionada com o algoritmo de retropropagação de erro (error back-propagation). Este algoritmo baseiase na regra de aprendizagem por correção de erro. 3. Redes Neurais As redes neurais artificiais tentam simular o cérebro humano, modelando a maneira como o cérebro realiza uma tarefa particular ou função de interesse. A rede é normalmente implementada utilizando-se componentes eletrônicos ou é simulada por programação em um computador digital. Para alcançarem bom desempenho, as redes neurais empregam uma interligação maciça de células computacionais simples denominadas de neurônios ou unidades de processamento [6]. O modelo computacional de um neurônio, inspirado nos neurônios do cérebro, é mostrado na Figura 1 e constitui a base para os projetos de redes neurais artificiais [6]. Figura 1 - Modelo não-linear de um neurônio A maneira como os neurônios são organizados e interconectados define a arquitetura da rede neural. O tipo de organização está diretamente relacionado com o Figura 2 - Grafo arquitetural de um perceptron múltiplas camadas com duas camadas ocultas 4. Detecção de Faces com Redes Neurais Diferentes arquiteturas de redes neurais artificiais foram propostas para a detecção de faces, pois a detecção de faces pode ser tratada como um problema de reconhecimento de padrões, tal como em OCR (reconhecimento ótico de caracteres), reconhecimento de objetos, etc., onde as redes neurais artificiais são aplicadas com sucesso [7], [8] e [9]. Na detecção de faces, a utilização de redes neurais consiste em diferenciar imagens ou regiões da imagem que, possivelmente contenham uma face, daquelas imagens ou regiões que não contém face, ou seja, a função da rede é apenas classificar as imagens em face e nãoface. [10] No trabalho de [8] é apresentado um sistema de detecção de faces baseados em redes neurais. Neste sistema uma imagem de entrada é percorrida por um filtro, que consiste em uma janela de 20x20, que extrai regiões da imagem onde podem existir faces. Logo após a extração da possível região de face, esta é submetida à equalização de histograma e à normalização da luz,
3 devido às várias condições de luminosidade. Se a face for maior que o tamanho da janela, a imagem é sub-amostrada repetidamente por um fator de 1.2, e o filtro é aplicado em cada sub-amostragem (Figura 3). Cada bloco da imagem depois de extraído e pré-processado é enviado para uma rede neural, que decidirá se nele existe ou não uma face. A rede é composta por várias camadas com arquiteturas diferentes, como mostrado na figura 5, denominadas campos receptivos. Cada camada avalia uma parte de imagem com a finalidade de se detectarem características que podem ser úteis para determinar a presença de face. Utilizando uma rede com 78 neurônios intermediários e 4357 conexões, ela apresenta como resposta um único valor, que determina a existência ou não da face. [8] 7. Detecção e interpretação da face, que faz uso das características detectadas para cada objeto, as quais são aplicadas em uma rede neural MLP que identificará se o objeto sob análise é face ou não. Como imagens de entrada foram utilizadas imagens com extensão JPEG, adquiridas de diferentes páginas da internet. Figura 4 Diagrama em blocos do modelo proposto Figura 3: Algoritmo de detecção de faces baseado em RNA. 5. Metodologia Este trabalho apresenta como proposta, o desenvolvimento de um algoritmo baseado em redes neurais artificiais, para a detecção de faces humanas em imagens digitais coloridas, utilizando segmentação de pele. O trabalho foi dividido em sete módulos principais como pode ser visto na figura 4, onde os módulos estão relacionados a seguir: 1. Pré-processamento, aplicado para redução de ruído e melhoria da qualidade da imagem de entrada; 2. Segmentação de Pele, aplicada para retirar da imagem todas as regiões detectadas como não pele, utilizando para isso uma rede neural MLP; 3. Pós-processamento da imagem, utilizada para destacar as características relevantes para a detecção das faces; 4. Detecção das Bordas, realizada nas áreas que contem pele e que será utilizada no processo de detecção da face como uma característica relevante; 5. Localização de objetos, etapa realizada para localizar todos os objetos presentes na imagem, onde cada objeto localizado pode ser sub-dividido em mais de um objeto; 6. Extração de características, onde são aplicados métodos de extração de características para cada objeto localizado na etapa anterior; Todas as imagens são coloridas, contendo uma ou mais pessoas, de ambos os sexos, com fundo de complexidade variável, com dimensões variadas e sem nenhum controle de luminosidade, como pode ser visto na figura 5. Figura 5 Exemplo de imagens utilizadas para teste. É importante mencionar que houve a preocupação de se escolher imagens contendo pessoas de diferentes etnias, para avaliação do módulo de segmentação de pele. As imagens adquiridas incluem faces com diferentes ângulos de inclinação e variações de expressão, além de faces com barba, bigode e óculos, que são componentes que podem dificultar a detecção da face (figura 6). Figura 6 Exemplo de imagens utilizadas com características que dificultam a detecção
4 O pré-processamento tem e a função de melhorar a qualidade da imagem através da redução do ruído. Para o desenvolvimento dessa etapa foi utilizada a filtragem por mediana 3X3, que minimiza o ruído, mas preserva as bordas [11]. A etapa de segmentação de pele consiste em separar as regiões que contêm pele das demais informações da imagem. Na implementação dessa etapa foi adotado o espaço de cores RGB. Para escolha desse espaço de cor foram realizados testes com um conjunto de imagens utilizando os espaços RGB, HSV e YCbCr, onde o RGB foi o que apresentou melhores resultados para a realização desse trabalho. Na segmentação foi utilizada uma rede neural MLP com o algoritmo de aprendizado backpropagation. A topologia dessa rede é constituída por uma camada de entrada com 3 entradas, 2 camadas escondidas contendo 3 neurônios cada uma, e uma camada de saída com um neurônio,. Na camada de entrada são aplicadas as informações RGB referentes a cada pixel da imagem, e a camada de saída determina se o pixel é pele ou não pele, atribuindo uma cor padrão ao pixel não pele (Figura 7). (a) (b) Figura 7 (a) imagens originais, (b) imagens processadas O treinamento da rede neural foi realizado utilizando a aprendizagem supervisionada, onde o conjunto de teste utilizado foi elaborado utilizando os padrões corresponde aos pixel das regiões que continham pele e não pele, em um conjunto de 25 imagens, com pessoas de diversas raças e fundos diferentes. Na etapa de pós-processamento são aplicados filtros de dilatação na imagem, para corrigir pequenas falhas que tenham ocorrido na etapa de segmentação de pele. Além disso são aplicados ainda filtros de aguçamento para realçar detalhes finos ou detalhes que tenham sido borrados nos passos anteriores e por fim a imagem é convertida em preto e branco (binarização) utilizando o método de Otsu para permitir a detecção de bordas utilizando o operador Sobel [11]. A detecção de bordas tem a função de extrair as bordas da imagem. Como detector de bordas foi utilizado o operador Sobel enfatizado na vertical e horizontal, com o qual se obteve resultados satisfatórios na detecção de bordas após a imagem colorida ser convertida em tons de cinza. A etapa de localização de objetos consiste em realizar uma varredura na imagem, separando e gerando novas imagens das regiões de todos os objetos encontrados, em cada objeto encontrado nesta etapa será realizada a extração de características para a detecção de face, e ainda alguns objetos encontrados podem ser divididos em mais objetos conforme o seu tamanho e formato. A etapa de extração de características é responsável por extrair características da imagem resultante dos processos anteriores, que serão utilizadas na próxima etapa para determinar com precisão se o objeto encontrado é uma face ou não. Alem disso reduz a Figura 8 Topologia da Rede Neural proposta para a detecção de face
5 quantidade de dados de entrada para o processo de detecção de face. Nessa etapa, a entrada é uma imagem, mas a saída do processo é um conjunto de dados correspondente à imagem de entrada. A extração de características será realizada em objetos detectados em partes da imagem capturada, através de um algoritmo de varredura. Para a extração, a imagem capturada será redimensionada em um tamanho padrão, que facilitará a localização das características relevantes, as quais serão utilizadas na próxima etapa onde será analisado se a imagem é uma face ou não. A utilização de redes neurais é muito importante no processo de reconhecimento de padrões e classificação. O processo de detecção de face apresentado neste trabalho consiste na utilização de uma rede neural MLP com o algoritmo de aprendizado backpropagation, que irá classificar através do conjunto de dados definido pela etapa de extração de características, se a imagem selecionada é uma face ou uma não-face. O treinamento da rede neural para validar se é face ou não-face, foi realizado utilizando a algoritmos de aprendizagem supervisionada, onde o conjunto de teste utilizado foi elaborado utilizando características extraídas de um conjunto imagens contendo faces e de um conjunto de não-face. A rede neural para verificação de faces é constituída por uma rede MLP que usa como entrada o resultado de outras três redes MLP s, onde cada rede irá verificar as seguintes características específicas obtidas na etapa anterior: posição dos olhos, nariz e boca (Figura 8). Para o desenvolvimento do algoritmo, foi utilizado o MATLAB (Matrix Laboratory) versão 7.0, com o toolbox de processamento de imagens e redes neurais. Com o auxilio dos toolbox que contém funções previamente implementadas, é possível obter uma maior agilidade no processo de desenvolvimento do algoritmo e na análise dos resultados obtidos. 6. Resultados Para verificar a eficiência do algoritmo de segmentação, foram utilizadas 25 imagens adquiridas na internet com diversas variações de luminosidade, dimensão e pessoas de diversas etnias. A figura 9(b) mostra a imagem resultante da aplicação do algoritmo de segmentação na imagem original apresentada na figura 9(a) respectivamente. Observa-se que as imagens resultantes apresentam as regiões que contem pele onde foram removidas praticamente todas as regiões que contém fundo. Mas o algoritmo não consegue remover as partes da imagem que contém cores que se assemelham à da pele humana. (a) (b) Figura 9 (a) imagem original, (b) imagem processadas O problema mais grave encontrado é a remoção do fundo da imagem, incluindo as regiões que contem pele humana. Esse problema ocorre principalmente quando a cor da região que está localizada a pele apresenta cores que são reconhecidas como pertencente ao fundo de imagem. Quantidade Total de pessoas 83 Pessoas localizadas Estado das pessoas localizadas Sem erosão Com erosão Pessoas não localizadas Figura 10 Gráfico de pessoas localizadas após segmentação e erosões ocorridas nas faces O gráfico apresentado na figura 10 mostra o resultado final dos testes realizados nas 25 imagens, onde foram visualizadas 87 faces humanas. Após o processo de segmentação foi mantido um total de 83 faces e dentre essas um total de 10 faces com algum tipo de erosão, faces essas que serão utilizadas na etapa de extração de características, que serão utilizadas para determinar se existe ou não face na região selecionada. 7. Conclusões O algoritmo de segmentação de pele, através da metodologia proposta, apresentou bons resultados na resolução de problemas de segmentação em imagens com fundo complexo. No entanto os resultados evidenciaram diferentes problemas relacionados a objetos com cores similares ao da pele humana. Na etapa de extração de características os se obteve bons resultados, pois com a segmentação da pele e a remoção do fundo, as pequenas regiões de fundo que continham cores semelhantes à pele não interferiram de maneira relevante na extração das principais características utilizadas para determinar se na região contem face ou não. Os testes realizados até momento com as características extraídas das imagens 4
6 apresentam bons resultados e a viabilidade da utilização de redes neurais para realizar segmentação de pele em imagens e a detecção de face nas regiões que contém cores que se assemelham à pele humana. 8. Referências [1] SANTOS, A. R. (2005), Identificação de faces humanas através de PCA-LDA e redes neurais SOM, Dissertação, Escola de Engenharia de São Carlos, USP Universidade de São Paulo. [2] PRADO, J. L. (2004), Investigação biométrica em imagens digitais para detecção de faces humanas através da proporção divina, Dissertação, Escola de Engenharia de São Carlos, USP Universidade de São Paulo. [3] NASCIMENTO, A. V.; GOZAGA, A. (2005). Detecção de faces humanas em imagens digitais: um algoritmo baseado em lógica nebulosa, I Workshop de Visão Computacional, (WVC 2005), pp [4] GASPAR, T. L. (2006), Reconhecimento de faces humanas usando redes neurais MLP, Dissertação, Escola de Engenharia de São Carlos, USP Universidade de São Paulo. [5] YANG, M. H.; KRIEGMAN, D. J.; AHUJA, N. (2002). Detecting Faces in Images: A Survey, IEEE Transactions on Pattern Analysis and Machine Inteligence. Vol 24, no. 1. [6] HAYKIN, S. (2001), Redes Neurais: princípios e prática, Editora Bookman. [7] HSU, R.; ABDEL-MOTTALEB, M.; JAIN, A. K. (2002). Face detection in color images, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 5, pp [8] ROWLEY, H. A.; BALUJA, S.; KANADE, T. (1998a), Neural network-based face detection, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 20, pp [9] ROWLEY, H. A.; BALUJA, S.; KANADE, T. (1998b), Rotation Invariant Neural Network-Based Face Detection, IEEE Proceedings on Computer Vision and Pattern Recognition. [10] LOPES, E. C. (2005). Detecção de Faces e Características Faciais, Relatório Técnico, Pontifícia Universidade Católica do Rio Grande do Sul PUCRS. [11] GONZALES, R. C.; WOODS, R. E. (2000), Processamento de Imagens Digitais, Editora Edgard Blücher.
O 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 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 maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
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 maisUniversidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática
Universidade Federal de Pernambuco Graduação em Engenharia da Computação Centro de Informática DETECÇÃO DE BORDAS DE IMAGENS UTILIZANDO ELEMENTOS DE MORFOLOGIA MATEMÁTICA PROPOSTA DE TRABALHO DE GRADUAÇÃO
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Processamento da Informação Capturei uma Imagem! E agora? Assumindo que
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisRECONHECIMENTO FACIAL UTILIZANDO EIGENFACES
Universidade Federal do Rio de Janeiro Instituto Alberto Luiz Coimbra de Pós-Graduação e Pesquisa de Engenharia Programa de Engenharia de Sistemas e Computação Rio de Janeiro, RJ Brasil RECONHECIMENTO
Leia maisTransformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,
Leia maisMETODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Marcelo Zaniboni 1, Osvaldo Severino Junior 2 1: Universitário do curso de Ciência da Computação, Faculdade
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisEstudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
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 maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisVisão Computacional. Alessandro L. Koerich. Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR)
Visão Computacional Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Análise da Imagem Análise da Imagem O algoritmo opera sobre a imagem e extrai
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 maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisUniversidade Católica Dom Bosco
Universidade Católica Dom Bosco Curso de Bacharelado em Engenharia de Computação Comparação entre Técnicas de Reconhecimento de Faces para Controle de Acesso a Computadores Vinícius Assis Saueia da Silva
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
Leia maisProcessamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS DEPARTAMENTO DE ENGENHARIA ELÉTRICA
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS DEPARTAMENTO DE ENGENHARIA ELÉTRICA DETECÇÃO DE FACES HUMANAS EM IMAGENS COLORIDAS UTILIZANDO REDES NEURAIS ARTIFICIAIS Wellington da Rocha
Leia mais4 as Jornadas Politécnicas de Engenharia
4 as Jornadas Politécnicas de Engenharia Imagens de Faces: Exemplos de Metodologias e Aplicações Fernando Carvalho, João Manuel R. S. Tavares Aplicação Metodologias Modelos Conclusões Trabalho Futuro Introdução:
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
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 maisTÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO DE UM SER HUMANO
Anais do Conic-Semesp. Volume 1, 2013 - Faculdade Anhanguera de Campinas - Unidade 3. ISSN 2357-8904 TÍTULO: IDENTIFICAÇÃO DE CARACTERES APRESENTADOS A UMA CÂMERA POR MEIO DO MOVIMENTO DOS DEDOS DA MÃO
Leia maisT4.1 Processamento de Imagem
T4.1 Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas 4.
Leia maisCapítulo III Processamento de Imagem
Capítulo III Processamento de Imagem Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Manipulação ponto a ponto 2. Filtros espaciais 3. Extracção de estruturas geométricas
Leia maisIntrodução às Redes Neurais Artificiais
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos
Leia maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia maisMorfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Leia maisMETODOLOGIAS PARA IDENTIFICAÇÃO DE FACES EM IMAGENS: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
Congreso de Métodos Numéricos en Ingeniería 2005 Granada, 4 a 7 de Julio, 2005 SEMNI, España 2005 METODOLOGIAS PARA IDENTIFICAÇÃO DE FACES EM IMAGENS: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Fernando Jorge
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 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 maisDetecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB
Detecção de Resíduos em Imagens de Bolsas para Coleta de Sangue Utilizando Redes Neurais Artificiais nos canais RGB Cássio Avelino Adorni cassioaa@ig.com.br Adilson Gonzaga adilson@sel.eesc.usp.br Departamento
Leia mais11º ENTEC Encontro de Tecnologia: 16 de outubro a 30 de novembro de 2017
A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NO AUXÍLIO NA IDENTIFICAÇÃO DE MELANOMAS Adroaldo Antônio Candido Neto 1 ; Stéfano Schwenck Borges Vale Vita 2 1, 2 Universidade de Uberaba adroaldoneto94@outlook.com;
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 maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
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 maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisDesenvolvimento de um Software para auxiliar o estudo da relação entre análise química e característica visual em plantas medicinais
Desenvolvimento de um Software para auxiliar o estudo da relação entre análise química e característica visual em plantas medicinais Vinícius Leonardo Gadioli da Silva 1,4 Bernardo Antônio Tavares Gomes
Leia maisExtração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV
Extração de objetos de interesse em imagens digitais utilizando a biblioteca de Visão Computacional OpenCV Izadora Aparecida RAMOS 1,3,4 ; Servílio Souza de ASSIS 1,3,4 ; Bruno Alberto Soares OLIVEIRA
Leia maisRECONHECIMENTO FACIAL 2D
RECONHECIMENTO FACIAL 2D PARA SISTEMAS DE AUTENTICAÇÃO EM DISPOSITIVOS MÓVEIS Luciano Pamplona Sobrinho Orientador: Paulo César Rodacki Gomes ROTEIRO Introdução Objetivos Fundamentação Teórica Conceitos
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Introdução + Estudo de Caso Introdução Percepção de máquina Um
Leia maisAnálise da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG
Análise da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG Eduardo Luz David Menotti Universidade Federal de Ouro Preto 05/07/2011 Summary Rede Neuronal Artificial
Leia maisDetecção de faces. Marta Villanueva Torres
Detecção de faces Marta Villanueva Torres Introdução ao Processamento de Imagens 2014.1 1. INTRODUÇÃO O objetivo deste trabalho é desenvolver um algoritmo que detecte faces em imagens. Sendo que, atualmente,
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 maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
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 maisRECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS
RECONHECIMENTO DE CARACTERES EM PLACAS AUTOMOTIVAS UTILIZANDO REDES NEURAIS Eduarda Gonçalves Dias 1 ; Wanderson Rigo 2 ; Manassés Ribeiro 3 INTRODUÇÃO Os sistemas de visão artificial vêm auxiliando o
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 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 maisAnálise de Técnicas de Extração de Características para o Reconhecimento de Dígitos Manuscritos
Análise de Técnicas de Extração de Características para o Reconhecimento de Dígitos Manuscritos Rafael M. O. Cruz, George D. C. Cavalcanti e Tsang Ing Ren Centro de Informática Universidade Federal de
Leia maisO uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador.
O uso de uma Rede Neural Artificial Supervisionada para obtenção do fator de carga de um alimentador. Resumo: Lucas da Silva Assis Universidade Federal de Goiás lucasilvassis@gmail.com Esse trabalho apresenta
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisDETECÇÃO E CORREÇÃO AUTOMÁTICA DE OLHOS VERMELHOS EM FOTOGRAFIAS
UNIVERSIDADE FEDERAL DO PARANÁ PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA TE 810 PROCESSAMENTO DIGITAL DE SINAIS DETECÇÃO E CORREÇÃO AUTOMÁTICA DE OLHOS VERMELHOS EM FOTOGRAFIAS Trabalho apresentado
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisAplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Leia maisRastreamento de objeto e estimativa de movimento
Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Brasil 2015 Hiroito Watanabe Rastreamento de objeto e estimativa de movimento Relatório do trabalho 2 da disciplina de Processamento Digital
Leia maisAVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS
AVALIAÇÃO QUALITATIVA DE DETECÇÃO DE BORDAS EM IMAGENS DE RADIOGRAFIA PERIAPICAIS Hedlund Erik Martins Távora 1, John Hebert Da Silva Felix 2, Darleison Rodrigues Barros Filho 3, Fausta Joaquim Faustino
Leia maisPROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA. Digital Image Processing for Robotic Vision
PROCESSAMENTO DE IMAGENS DIGITAIS PARA VISÃO ROBÓTICA Digital Image Processing for Robotic Vision Luiz Ferreira MENEZES Jr. Faculdade de Jaguariúna Resumo: Este trabalho descreve quatro métodos para converter
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
Leia maisProcessamento Digital de Imagens. Análise de Imagens
Processamento Digital de Imagens Análise de Imagens Eduardo A. B. da Silva Programa de Engenharia Elétrica - COPPE/UFRJ Laboratório de Sinais, Multimídia e Telecomunicações eduardo@smt.ufrj.br Sergio L.
Leia maisIDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS. André Zuconelli 1 ; Manassés Ribeiro 2
IDENTIFICAÇÃO DE MARCADORES DE PAVIMENTAÇÃO NA ORIENTAÇÃO DE CEGOS André Zuconelli 1 ; Manassés Ribeiro 2 INTRODUÇÃO As tecnologias assistivas têm a finalidade de auxiliar pessoas com deficiência a alcançar
Leia maisFace Detection. Image Processing scc moacir ICMC/USP São Carlos, SP, Brazil
Face Detection Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Face Detection 2011 1 / 24 Agenda 1 Detectando faces 2
Leia maisRedes Neurais 1. Redes Neurais. cont.) Definição (cont( Definição. Histórico. Características básicas
Redes Neurais Dalma M. Falcão falcao@nacad.ufr.br http://www.nacad.ufr.br/~falcao/ Redes Neurais Definição Histórico Áreas de aplicação RNs biológicas Modelos de neurônios artificiais Arquiteturas de RNs
Leia maisExtração de atributos usando o método LBP - Local Binary Pattern
Extração de atributos usando o método LBP - Local Binary Pattern Lia Nara Balta Quinta. 2 de maio de 2006 1 Antecedentes e Justificativa O Brasil possui, atualmente, um grande rebanho bovino, porém em
Leia maisRedes Neuronais (outras redes)
Redes Neuronais (outras redes) Victor Lobo Principais arquitecturas de redes Aprendizagem Supervisionada MLP com BP Multi-Layer Perceptron (perceptrão multicamada) Treinado com Backpropagation (retropropagação
Leia mais1.1. Trabalhos Realizados na Área
1 1 Introdução Várias formas de tratamento de lesões de úlceras de perna têm sido empregadas hoje em dia. O método de tratamento dependerá da origem da úlcera bem como de seu estado patológico. Com o objetivo
Leia maisPedro Leandro Moreira Graça. Detecção e localização de faces em imagens
Universidade de Aveiro Departamento de Electrónica, Telecomunicações e 2008 Informática Pedro Leandro Moreira Graça Detecção e localização de faces em imagens ii Universidade de Aveiro 2008 Departamento
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia maisEXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq ( )
USP UNIVERSIDADE DE SÃO PAULO EP ESCOLA POLITÉCNICA EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq (2000-2001) LEONARDO
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisUniversidade Federal do Rio de Janeiro. Flávio Henrique Schuindt da Silva. Estimativa de Fluxo Ótico com o método de Lukas-Kanade
Universidade Federal do Rio de Janeiro Programa de Engenharia de Sistemas e Computação Introdução ao Processamento de Imagens Flávio Henrique Schuindt da Silva Estimativa de Fluxo Ótico com o método de
Leia maisProcessamento de Imagens Digitais
Processamento de Imagens Digitais Antonio Cesar Germano Martins 2º semestre de 2018 Apresentações Nascido em Sorocaba. Graduado em Bacharelado em Física pela UNICAMP em 1989, tendo participado de pesquisas
Leia maisCLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3
CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3 1 CEPSRM - Centro Estadual de Pesquisa em Sensoriamento Remoto
Leia maisDetalhes do método proposto e da sua implementação são descritos nas
4 Método Proposto 4.1. Descrição geral do método O objetivo do método proposto consiste em avaliar o potencial dos FERNS para detecção das características faciais, em tempo real, em uma seqüência de imagens
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisSegmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo
Segmentação, Rastreamento de Objetos e Detecção de Eventos Primitivos com Aplicação no Monitoramento Automático de Ações Humanas em Vídeo Dissertação de Mestrado Aluno: Bruno Costa Orientador: Herman Gomes
Leia mais3 Técnica Baseada em Treinamento e Cascata de Classificadores
3 Técnica Baseada em Treinamento e Cascata de Classificadores 3.1. Introdução A utilização de algoritmos para a extração de características de objetos e a geração de classificadores em cascata capazes
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisProtótipo de Software para Reconhecimento de Impressões Digitais
Protótipo de Software para Reconhecimento de Impressões Digitais Aluno: Alex Sandro da Silva Orientador: Paulo de Tarso Mendes Luna Semestre - 99/1 Roteiro da Apresentação INTRODUÇÃO CONCEITOS BÁSICOS
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisAPLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS
Leia maisAuto-Fusão na Recuperação de Imagens Baseadas em Conteúdo.
Auto-Fusão na Recuperação de Imagens Baseadas em Conteúdo. Severino Jr, Osvaldo IMES - FAFICA osvaldo@fafica.br Gonzaga, Adilson Escola de Engenharia de São Carlos - USP adilson@sc.usp.br Resumo Neste
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 maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia mais