Alexandre da Silva Simões, Anna Helena Reali Costa
|
|
- Alexandre Esteves Amaro
- 7 Há anos
- Visualizações:
Transcrição
1 Classificação de Cores por Redes Neurais Artificiais: Um Estudo do Uso de Diferentes Sistemas de Representação de Cores no Futebol de Robôs Móveis Autônomos Alexandre da Silva Simões, Anna Helena Reali Costa Laboratório de Técnicas Inteligentes Departamento de Engenharia de Computação e Sistemas Digitais - Escola Politécnica da Universidade de São Paulo (EPUSP) Av. Prof. Luciano Gualberto, trav. 3, São Paulo-SP Brasil assimoes@cyberspace.com.br, anna.reali@poli.usp.br Abstract. In previous works we have investigated the influence of the use of different color representations in the performance of a multilayer perceptron Artificial Neural Network used for color image segmentation. The RGB, HSV and YUV color representations were tested in tasks of color-based segmentation, aiming at robustness to variations in the illumination of the environment. In the present work we verify the usefulness of this approach applied to the robotic soccer domain. Our goal consists in defining the most suitable color representation to this domain, since it is a real-time domain that presents serious restrictions about the calibration time. Resumo. Em trabalhos prévios a influência das diferentes formas de representação de cores RGB, HSV e YUV no desempenho de uma rede neural artificial (RNA) do tipo perceptron multicamada foi investigada para a segmentação de imagens coloridas baseada no atributo cor dos pixels, buscando robustez a variações na iluminação do ambiente. No presente trabalho, buscamos testar a aplicabilidade desta abordagem no domínio de futebol de robôs móveis autônomos, visando definir a representação de cores que propicia um melhor desempenho do sistema. O futebol de robôs autônomos é um domínio que exige atuação em tempo real e que oferece restrições em relação ao tempo de calibração e ajuste de parâmetros do time. 1. Introdução O domínio do futebol de robôs móveis autônomos [Reali Costa and Pegoraro, 2000] possui como uma de suas características fundamentais a necessidade de um sistema adequado de visão computacional baseado em cores. A implementação de técnicas para a segmentação de imagens neste domínio, deve observar as seguintes restrições: i) O setup do sistema precisa ser o mais rápido possível, já que o tempo de calibração é limitado para partidas oficiais (normalmente, não mais que 10 minutos); ii) Devido à não uniformidade na iluminação do campo, o sistema tem que apresentar robustez em relação à variação da luminosidade do ambiente.
2 Um algoritmo clássico para a classificação de cores, denominado método de imposição de limiares, tem como idéia fundamental determinar paralelepípedos que envolvam grupos de pixels de uma mesma cor no espaço de cores. Nesse sentido, tal algoritmo mostra-se inadequado para uma série de situações práticas onde os grupos de pixels não são separáveis por paralelepípedos. Assim, novas ferramentas tais como a lógica fuzzy [Koug and Kosko, 1992] [Bonventi and Reali Costa, 2000] e as redes neurais artificiais [Littman and Ritter, 1997] têm sido propostas para a tarefa da classificação de cores. Em trabalho prévio [Simões, 2000], a rede neural artificial (RNA) do tipo perceptron multicamada (MLP) treinada com o algoritmo de retropropagação de erros foi adotada como ferramenta para a classificação de cores por apresentar algumas características de grande relevância [Mitchell, 1997]: i) pode aproximar qualquer função; ii) é capaz de aprender através de exemplos sem a necessidade de modelagem matemática do sistema; iii) é dotada de poder de generalização para situações não treinadas; iv) é robusta a erros de treinamento. Embora o MLP treinado com o algoritmo de retropropagação de erros ofereça características interessantes para aplicação em tarefas de particionamento, os grupos de cores podem se apresentar mais ou menos propícios à separação, de acordo com o sistema de representação de cores utilizado. Além da separabilidade, outras características como o tipo de generalização encontrada e o tempo de treinamento necessário para a convergência da rede também são alterados. Tal fato motivou a realização de um estudo mais detalhado de alguns dos sistemas de representação de cores considerados relevantes. Inicialmente foram realizados estudos para o sistema de representação de cores RGB [Simões and Reali Costa, 2000a], visto que se trata do sistema mais próximo do implementado por um humano (dada a conhecida similaridade entre os comprimentos das primárias do sistema e os comprimentos de onda amostrados pelos três tipos de cones presentes na retina humana). Buscando maximizar o desempenho da classificação, realizou-se um estudo com o sistema HSV [Simões and Reali Costa, 2000b]. O estudo desse sistema foi motivado pelo fato de as cores estarem organizadas de forma mais intuitiva para um humano (distribuídas segundo tonalidade e saturação). O sistema de representação de cores YUV também foi considerado nos estudos gerais aplicados à segmentação de imagens coloridas [Simões, 2000], por ser uma representação que permite uma fácil obtenção da grandeza iluminação do sistema (o próprio eixo Y) e não apresentar descontinuidades nas grandezas. No presente trabalho foi realizada uma comparação entre os resultados alcançados no uso de diferentes sistemas de representação de cores na segmentação de imagens coloridas voltadas a aplicações no domínio de futebol de robôs móveis autônomos e um estudo da aplicabilidade das técnicas desenvolvidas em trabalhos anteriores neste domínio. Neste caso, a segmentação de imagens é aplicada na extração automática de informações de interesse do jogo, tais como posição e orientação da bola, dos robôs do time e dos jogadores adversários. Esta segmentação é baseada nas cores dos objetos de interesse (a bola é alaranjada, um time e sua área de gol é amarelo, o outro, azul, etc),
3 Na seção a seguir é apresentada uma descrição dos três sistemas de representação de cores utilizados. Na seção 3 efetua-se uma comparação entre os diferentes sistemas abordados, salientando as dificuldades para a segmentação de imagens baseada no atributo cor. A descrição do trabalho proposto pode ser encontrada na seção 4, incluindo a arquitetura e treinamento do MLP e os resultados da aplicação da abordagem no domínio do futebol de robôs. As discussões dos resultados obtidos encontram-se na seção 5. Finalmente, as conclusões obtidas a partir dos experimentos são resumidas na seção Sistemas de Representação de Cor 2.1 O Sistema de Representação RGB Para a obtenção da equivalência de qualquer cor pode-se mostrar que é condição necessária e suficiente a adoção de três ondas eletromagnéticas denominadas primárias tal que duas delas não produzam a terceira [Novakovsky, 1975]. Intuitivamente, visto que esse sistema é similar ao sistema sensóreo humano, as primárias adotadas correspondem aproximadamente aos comprimentos de onda amostrados pelos cones (vermelho, verde e azul). Nesta representação as três cores primárias são vistas como eixos ortogonais de um sistema de coordenadas. Todas as demais cores podem ser expressas em função destas em algum ponto no espaço ortogonal (agora denominado espaço de cores). As cores monocromáticas aparecem no espaço de cores usualmente como uma curva na forma de ferradura denominada spectrum locus. A projeção destas cores sobre um determinado plano desse sistema, denominado plano de Maxwell, conforme ilustra a figura 1, é usualmente denominada crominância. Essa grandeza define uma cor, a menos de sua variação de luminosidade. 2.2 O Sistema de Representação HSV Alguns sistemas de representação se utilizam de notações baseadas em conceitos intuitivos para representar uma cor. Algumas medidas perceptíveis de cores costumeiramente utilizadas por estes sistemas são: Tonalidade (Hue): identificação do comprimento de onda dominante (comparação entre uma cor em observação e exemplos previamente conhecidos); Saturação (Saturation): grau de pureza da cor. Isto é, alguma graduação que representa uma cor como uma grandeza entre uma onda monocromática (espectro de freqüências com um único fasor na freqüência da onda) e a luz branca (que contém todas as cores). Assim ondas monocromáticas têm saturação máxima, e a luz branca, mínima (zero). Luminância (Luminance): É uma grandeza relacionada com o brilho. É expressa em termos de fluxo luminoso; Brilho (Brightness): É determinado estabelecendo-se uma equivalência visual com um tom de cinza. Dentre esses sistemas encontra-se o HSV (Hue-saturation-value). Nesse sistema a tonalidade é expressa em termos de um ângulo. A saturação varia ao longo do raio do ângulo e o eixo value ortogonal aos demais relaciona-se à iluminação (vide figura
4 2). Os valores para S e H a partir da representação RGB podem ser calculados da seguinte forma: 1 3. min( R, G, B) [( R G) + ( R B)] S = 1 1 Intensidade H = cos ( R G) + ( R B)( G B) Value [0:100] Saturation [0:100] Hue [0:360] Figura 1 O espaço de cores, plano de Maxwell e o spectrum locus. Figura 2 O sistema de representação HSV (Hue-saturation-value). 2.3 O Sistema de Representação YUV O sistema YUV tem como fundamento principal separar a iluminação (aqui representada pelo eixo Y) e crominância, que passa a ser representada pelos eixos U e V. Tais eixos são conhecidos respectivamente como os eixos azul-vermelho e magenta-verde. Nesses casos, o cálculo da luminância do sistema (para as primárias utilizadas) e dos demais eixos, a partir do RGB, passa a ser dado por: Y=0,177R + 0,813G + 0,011B. U=0,494.(R-Y) V=0,877.(B-Y) 3. Comparação Entre os Sistemas 3.1 O Estudo do Espalhamento dos Pixels no Espaço de Cores Seja a imagem vista na figura 3 e suas respectivas distribuições no espaço de cores RGB (figura 4), HSV (figura 5) e YUV (figura 6). O problema da classificação de cores em imagens pode agora ser revisto como o problema da determinação de bordas ótimas para cada classe de cores, isto é, bordas que envolvam todas os elementos pertencentes à classe em questão. Observando o espalhamento das cores pelo espaço de cores, fica evidenciado que o sistema de representação de cores exerce influência sobre a classificação implementada, visto que os pixels de mesma cor tornam-se mais ou menos agrupados. A ferramenta adotada o MLP é sabidamente capaz de realizar tal classificação, por mais complexos que sejam os sólidos envolvendo as diferentes classes de cores. Contudo, para a abordagem proposta, desejamos obter uma classificação robusta a variações de intensidade luminosa sobre a imagem original (figura 3), isto é, gostaríamos de obter bordas complexas que envolvessem não apenas as classes de interesse, mas algumas regiões ao redor de cada uma delas. Nesse sentido, torna-se necessário o estudo da generalização obtida pelo MLP treinado com retropropagação de erros.
5 Figura 3: Uma paleta de cores impressa em papel e amostrada por uma câmera. Figura 4: A imagem da figura 3 no espaço de cores RGB. Figura 5: A imagem da figura 3 no espaço de cores HSV. Figura 6: A imagem da figura 3 no espaço de cores YUV. 3.2 A obtenção da generalização desejada Seja um conjunto de exemplos {B,C,D} apresentado a um MLP, como o mostrado na figura 7. Uma vez treinada a rede, quando excitada por uma entrada B esta responderá com uma saída G(B) para a qual a rede foi treinada, e assim sucessivamente para o conjunto de exemplos de treinamento. Seja agora a entrada A (não presente no universo de treinamento) apresentada ao MLP. A resposta da rede para esta entrada é dita dependente da generalização encontrada durante o processo de aprendizado. Embora um MLP possa aproximar qualquer função contínua, não existe nenhum método conhecido para que, dado um problema, obtenha-se a RNA com um certo tipo prédefinido de generalização. Transportando tal análise para o universo da classificação de cores de pixels em imagens coloridas, observa-se que a generalização da rede é função de alguns parâmetros tais como:
6 i) a arquitetura da rede (número de camadas e número de neurônios por camada); ii) o sistema de representação de cores adotado; iii) os exemplos apresentados na fase de treinamento. Figura 7: o MLP e duas das possíveis generalizações para um conjunto de exemplos. A forma encontrada para estimular a generalização no sentido de possibilitar maior robustez à variação de luminosidade foi o oferecimento de alguns exemplos adicionais ao sistema. Nos trabalhos anteriores [Simões, 2000] [Simões and Reali Costa, 2000a-c], diferentes metodologias foram testadas para tal, buscando-se a melhor relação entre a generalização conseguida e o tempo de treinamento da rede. Ao contrário das expectativas, concluiu-se que o oferecimento de exemplos simples das cores envolvidas (com saturação média de cada cor-exemplo, sob condições normais de iluminação dadas pelas regras do jogo como sendo por volta de lux) é suficiente para garantir uma classificação de cores robusta, desde que não existam variações drásticas de iluminação no ambiente (fato que normalmente é garantido pelas condições das competições). A figura 8 ilustra o particionamento do espaço de cores implementado pela RNA em cada um dos sistemas de representação de cores (RGB, HSV e YUV, conforme exemplificado, respectivamente, nas figuras 4, 5 e 6) baseada nas classes de pixels da imagem na figura 3. Pode-se observar a generalização conseguida como função do sistema de representação de cores adotado. (a) (b) (c) Figura 8 A partição do espaço de cores obtida com a metodologia do fornecimento de exemplos de cores contínuas para cada tipo de representação de cores: a) RGB; b) HSV; c) YUV
7 4. O Trabalho Proposto 4.1 A RNA adotada Para a implementação da classificação foi usado o perceptron multicamada mostrado esquematicamente na figura 9 com três neurônios na camada de entrada, 10 neurônios na camada oculta e 6 neurônios na camada de saída, correspondentes às 6 classes de interesse. À entrada do MLP apresenta-se uma trinca expressa em algum sistema de representação de cor (RGB, HSV ou YUV) de cada um dos pixels pertencentes a uma imagem (um a um), tanto no treinamento quanto na execução. Na saída da rede obtém-se a cor classificada como pertencente a uma das 6 classes de cores para as quais o sistema foi treinado (pixels de cor laranja, rosa, verde, amarelo, branco e preto). Laranja H S V ou Y U V R ou G B Rosa Verde Amarelo Branco Preto Figura 9 O MLP proposto: 3 neurônios de entrada, 10 neurônios na camada intermediária e 6 neurônios de saída representativos das classes de interesse. 4.2 Treinamento da RNA Uma vez que se pretende investigar a aplicabilidade da classificação via RNAs para as cores nas imagens do futebol de robôs móveis autônomos, adotamos para testes uma das imagens comuns nesse âmbito, que pode ser vista na figura 10. Figura 10 Imagem do campo de futebol de robôs utilizada para testes. Nessa imagem podemos identificar classes distintas de cores de interesse: laranja, rosa, verde, amarelo, branco, azul. Algumas outras cores presentes no fundo da imagem não são de interesse para o jogo e foram aqui reunidas em uma única classe genérica: preto. Baseando-se no fato de havermos obtido em trabalhos anteriores [Simões, 2000] uma classificação robusta utilizando como exemplos apenas alguns representantes de cada uma das classes de cores presentes no domínio (sem variação de iluminação ou
8 saturação) um pixel da imagem vista na figura 10 foi escolhido aleatoriamente para representar cada classe (e dois para representar a classe fundo, devido às diferenças entre as cores dos pixels englobados nesta classe). Os pixels usados no treinamento para a classificação de cores representados no sistema RGB encontram-se listados na tabela 1. As trincas no sistema de representação RGB apresentadas na tabela 1 foram fornecidas à rede para treinamento. Depois de treinada a RNA, a imagem original (figura 10) foi reapresentada a esta, na totalidade de seus pixels, para execução da classificação. Este processo foi repetido, transformando o sistema de representação de cores para HSV e YUV (para treinamento e validação). Os resultados obtidos são mostrados na forma de imagens, com cada pixel sendo apresentado de acordo com a classe a ele atribuída pela rede, conforme observado na figura 11. R G B Classe Laranja Rosa Verde Amarelo Branco Preto Preto Tabela 1 O conjunto de exemplos fornecidos para o treinamento da RNA na representação de cores RGB para cada uma das 6 classes de interesse. (a) (b) (c) Figura 11 Imagens de resposta resultantes da apresentação da imagem da figura 10 às RNAs treinadas utilizando os sistemas de representação de cores: a) RGB; b) HSV e c) YUV. 5. Discussões Analisando inicialmente as imagens da distribuição dos pixels da figura 3 no espaço de cores para os sistemas RGB, HSV e YUV (figuras 4, 5 e 6 respectivamente), pode-se observar que a melhoria na distribuição de pixels esperada teoricamente não se confirmou. Claramente as regiões de cores encontram-se mais agrupadas nos sistemas YUV e HSV, e mais disjuntas e portanto melhor separáveis no sistema RGB. A função de mapeamento da RNA será tão melhor quanto maior o número de exemplos apresentados à rede. Busca-se neste trabalho, contudo, a melhor aproximação para a função com o menor número de exemplos possível, devido às restrições no tempo de calibração, antes dos jogos. Tendo-se em vista o número de exemplos reduzido, pode-se esperar que o melhor desempenho do classificador será dado para o sistema de representação de cores onde as classes estejam mais facilmente separáveis no espaço de
9 cores. O fato das classes serem mais facilmente separáveis deve-se a dois fatores básicos: i) o sistema de representação de cores adotado e ii) a natureza das cores tipicamente presentes no domínio adotado e sua variação de tonalidade e saturação. Estabelece-se então um compromisso entre a separabilidade das classes e o domínio de imagens em estudo, motivo pelo qual uma imagem real da aplicação em questão (figura 10) foi utilizada. Conforme os resultados esperados após a avaliação da distribuição espacial dos pixels no espaço de cores, o sistema RGB foi aquele que apresentou os melhores resultados visuais para a imagem típica do futebol de robôs (figura 11a-c). O sistema YUV ficou em qualidade um pouco abaixo deste, apresentando ainda uma boa classificação, mas com um nível de ruído muito maior. A classificação utilizando o sistema de representação HSV retornou os piores resultados, tipicamente por possuir uma função de mapeamento mais complexa e descontínua. Vale observar que apenas 1 (um) exemplo de cada classe foi utilizado. Certamente a resposta da rede para todos os sistemas de representação de cores tenderia a ser homogênea quando treinada à exaustão. Para ambientes com treinamento reduzido, contudo, classificamos o sistema RGB como o mais adequado. Tal resultado corrobora com o obtido por trabalhos similares como Littman and Ritter (1997), que determinaram a maior acuidade de resposta para um sistema classificador de cores com entradas no formato RGB, embora no trabalho em questão o classificador utilizado não tenha sido o MLP e sistemas de representação como o HSV não tenham sido abordados. 6. Conclusões Apresentamos no presente artigo a conclusão de uma série de trabalhos onde propusemos o uso de uma RNA do tipo MLP treinada com o algoritmo da retropropagação do erro como classificadora de pixels em imagens coloridas. Três sistemas de representação de cores foram estudados individualmente, visando determinar a melhor relação entre o tempo gasto no treinamento da rede e sua generalização. Dentre os sistemas estudados, obtivemos os resultados mais satisfatórios para o sistema RGB, visto que este apresenta a melhor distribuição espacial de pixels no espaço de representação de cores (vide seção 3). Uma vez determinada a forma de representação de cores que maximiza o desempenho de um sistema visual que dependa da classificação de cores, pretende-se aplicar a metodologia desenvolvida a outras classes de problemas de aplicação diversa. Uma classificação de cores robusta a variações no nível de iluminação do ambiente e saturação das cores pode ser de grande relevância em um sem número de aplicações práticas, tais como: identificação de objetos em ambiente robóticos, reconhecimento de alvos militares, identificação da qualidade de frutas, inspeção de objetos, entre outros. Tais aplicações tornam-se agora objetivos de trabalhos futuros. 7. Agradecimentos Alexandre da Silva Simões recebeu bolsa de mestrado do CAPES, através da Escola Politécnica da Universidade de São Paulo, de 1998 a Este projeto foi parcialmente financiado pelo FINEP, projeto RECOPE-MANET, Proc. n o , e pelo NSF/CNPQ ProTeM-CC projeto MAPPEL, Proc. n o /99-8.
10 8. Referências Bonventi, W. and Reali Costa, A. H. (2000) Comparação entre métodos de definição de conjuntos nebulosos de cores para a classificação de pixels. International Joint Conference IBERAMIA'2000 and SBIA'2000, Open Discussion Track Proceedings, M. C. Monard and J. S. Sichman (eds.), November 19-22, pp Haykin, S.; Neural Networks: A Comprehensive foundation. New Jersey, 2nd edition, Koug, S. G. and Kosko, B. (1992) Image coding with fuzzy image segmentation. In: D Dubois and H. Prade editors, IRRR International Conference in fuzzy Systems, San Diego, pp Littman, H. and Ritter, E. (1997) Adaptive color segmentation: a comparison of neural and statistical methods. In: IEEE Transactions on neural networks, 8(1), January. Mitchell T. M.; Machine Learning. McGraw-Hill, Boston, Novakovsky, S. V.; Colour tele vision: A theory of colour reproduction. MIR Publishers, Reali Costa, A. H. and Pegoraro, R. (2000) Construindo robôs autônomos para partidas de futebol: o time GUARANÁ. In: Controle & Automação, SBA, vol. 11, no. 2, pp Simões, A. S.; Segmentação de imagens por classificação de cores: uma abordagem neural. Dissertação de mestrado. Escola Politécnica da USP. São Paulo, junho, Simões, A. S.and Reali Costa, A. H. (2000) Segmentação de imagens por classificação de cores: uma abordagem neural para a representação RGB. In: Workshop de Computação WORKCOMP'2000, Carlos H. C. Ribeiro and Milton T. S. Sakude (eds.), Instituto Tecnológico de Aeronáutica - ITA, São José dos Campos, SP, Outubro, Pg (a) Simões, A. S. and Reali Costa, A. H. (2000) Classificação de Cores por Redes Neurais usando a Representação HSV. International Joint Conference IBERAMIA'2000 and SBIA'2000, Open Discussion Track Proceedings, M. C. Monard and J. S. Sichman (eds.), November 19-22, pp (b) Simões, A. S.; Reali Costa, A. H. (2000) Using Neural Color Classification in Robotic Soccer Domain, Em: International Joint Conference IBERAMIA'2000 and SBIA'2000, Workshop Proceedings, Meeting on Multi-Agent Collaborative and Adversarial Perception, Planning, Execution, and Learning. L. N. Barros, R. M. Cesar Jr., F. G. Cozman, A. H. Reali Costa (eds.). São Paulo, ISBN , November, Atibaia, SP, Brazil, pp (c)
UTILIZANDO UM CLASSIFICADOR FUZZY PARA A SELEÇÃO VISUAL DE LARANJAS RESUMO ABSTRACT
UTILIZANDO UM CLASSIFICADOR FUZZY PARA A SELEÇÃO VISUAL DE LARANJAS Alexandre da Silva Simões, Anna Helena Reali Costa, Marco Túlio Carvalho de Andrade Laboratório de Técnicas Inteligentes Depto. de Engenharia
Leia maisProcessamento Digital de Imagens. Cor
Processamento Digital de Imagens Cor Em uma descrição física a cor está associada ao seu comprimento de onda. Ao se analisar o espectro eletromagnético na região do visível, os menores comprimentos de
Leia maisFiltro de Imagem Baseado em Matriz RGB de Cores- Padrão para Futebol de Robôs
Filtro de Imagem Baseado em Matriz RGB de Cores- Padrão para Futebol de Robôs Eder A. Penharbel, Ricardo C. Destro, Flavio Tonidandel e Reinaldo A.C. Bianchi Centro Universitário da FEI - UniFEI Av. Humberto
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 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 maisCores em Imagens e Vídeo
Aula 05 Cores em Imagens e Vídeo Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Ciência da Computação Ciência das Cores A cor é fundamentada
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisPROCESSAMENTO DE IMAGENS COLORIDAS. Nielsen Castelo Damasceno
PROCESSAMENTO DE IMAGENS COLORIDAS Nielsen Castelo Damasceno Definições A cor é um poderoso descritor que muitas vezes simplifica a identificação do objeto e sua extração de uma cena. Os seres humanos
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 3 Processamento de Imagens Coloridas
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 3 Processamento de Imagens Coloridas Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga mvieira@sc.usp.br
Leia maisCor SCC0251 Processamento de Imagens
Cor SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2012/1 Moacir Ponti Jr. (ICMCUSP) Cor 2012/1 1 / 39 Sumário 1 Introdução
Leia maisProcessamento de Imagens Coloridas. Prof. Adilson Gonzaga
Processamento de Imagens Coloridas Prof. Adilson Gonzaga 1 Aparência de um Objeto A aparência de um objeto é o resultado de uma complexa interação da luz incidente sobre este objeto, suas características
Leia maisUniversidade do Estado de Minas Gerais Curso de Sistemas de Informações. Multimídia. A Imagem (Parte I)
Universidade do Estado de Minas Gerais Curso de Sistemas de Informações Multimídia A Imagem (Parte I) Prof Sérgio Carlos Portari Júnior portari.uemgituiutaba@gmail.com Multimídia A imagem Tópico: Representação
Leia maisImagens digitais. Armando J. Pinho. Introdução à Análise e Processamento de Sinal Universidade de Aveiro.
Imagens digitais Armando J. Pinho Introdução à Análise e Processamento de Sinal Universidade de Aveiro ap@ua.pt http://www.ieeta.pt/~ap IAPS (DETI-UA 2013/14) Armando J. Pinho 1 / 55 Sumário 1 Formação
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
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 maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 30 de julho de 2015 Motivações: cor ajuda reconhecimento
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 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 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 maisAprendizagem de Máquina. Redes Neurais Artificiais (RNAs)
Aprendizagem de Máquina Redes Neurais Artificiais (RNAs) Plano de Aula Introdução Motivação Biológica Perceptron Superfície de Decisão Descida do Gradiente Redes Multicamadas (Multilayer) Retropropagação
Leia maisPROCESSAMENTO DE IMAGENS COLORIDAS
PROCESSAMENTO DE IMAGENS COLORIDAS Fundamentos da cor A visão da cor É a capacidade de um organismo ou máquina de distinguir objetos baseando-se nos comprimentos de onda (ou freqüências) da luz sendo refletida,
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Relatório: Rede Neural para tomada de decisão Christian Diego Alves Daniel cdad Icamaan Botelho Viegas da Silva - ibvs Recife, 30 de Julho de 2007. 1. Introdução A Robocup é um
Leia maisFundamentos sobre. Universidade Federal do Rio de Janeiro - IM/DCC & NCE. Antonio G. Thomé Sala AEP/1033. Processamento de Imagens
Universidade Federal do Rio de Janeiro - IM/DCC & NCE Fundamentos sobre Processamento de Imagens Antonio G. Thomé thome@nce.ufrj.br Sala AEP/1033 Sumário do Curso Introdução Ambientação com o MatLab Aquisição
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 maisAULA 9 TRANSFORMAÇÃO RGB IHS. Daniel C. Zanotta 22/06/2017
AULA 9 TRANSFORMAÇÃO RGB IHS Daniel C. Zanotta 22/06/2017 SISTEMA ADITIVO DE CORES (LUZ) LUZ: A LUZ É COMPOSTA DE VIBRAÇÕES ELETROMAGNÉTICAS QUE CORRESPONDEM ÀS CORES. ESSAS VIBRAÇÕES TEM ESPECÍFICAS FREQUÊNCIAS
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 maisSISTEMA DE VISÃO COMPUTACIONAL DO TIME DE FUTEBOL DE ROBÔS DO INSTITUTO FEDERAL DO SUL DE MINAS CÂMPUS MUZAMBINHO
SISTEMA DE VISÃO COMPUTACIONAL DO TIME DE FUTEBOL DE ROBÔS DO INSTITUTO FEDERAL DO SUL DE MINAS CÂMPUS MUZAMBINHO 1 Leonardo de S. VIEIRA 2 ; Heber R. MOREIRA 3 ; João M. RIBEIRO RESUMO O desenvolvimento
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 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 maisIntrodução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
Leia maisRede Perceptron. Capítulo 3
Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta
Leia maisAULA 9 TRANSFORMAÇÃO RGB HSV. Daniel C. Zanotta 13/08/2018
AULA 9 TRANSFORMAÇÃO RGB HSV Daniel C. Zanotta 13/08/2018 SISTEMA ADITIVO DE CORES (LUZ) LUZ: A LUZ É COMPOSTA DE VIBRAÇÕES ELETROMAGNÉTICAS QUE CORRESPONDEM ÀS CORES. ESSAS VIBRAÇÕES TEM ESPECÍFICAS FREQUÊNCIAS
Leia maisCAPÍTULO 5 RESULTADOS. São apresentados neste Capítulo os resultados obtidos através do programa Classific, para
CAPÍTULO 5 RESULTADOS São apresentados neste Capítulo os resultados obtidos através do programa Classific, para as imagens coletadas no verão II, período iniciado em 18/01 e finalizado em 01/03 de 1999,
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 maisUniversidade Federal de Alagoas Instituto de Matemática. Cor. Prof. Thales Vieira
Universidade Federal de Alagoas Instituto de Matemática Cor Prof. Thales Vieira 2014 O que é cor? Cor no universo físico Cor no universo matemático Representação de cor Especificação de cor Colorimetria
Leia maisLista 2 Sistemas Inteligentes (INE5633) 2014s2
Lista 2 () 2014s2 Sistemas de Informação Universidade Federal de Santa Catarina 1. (Baseado em questão do POSCOMP 2009) Considere a árvore minimax abaixo representando um jogo, onde queremos maximizar
Leia maisSTV 29 SET SINAL I esta tensão de vídeo é produzida na matriz do transmissor como a seguinte combinação de vermelho, verde e azul:
STV 29 SET 2008 1 LARGURA DE FAIXA DO SINAL Y este sinal é transmitido com a largura de faixa da freqüência de vídeo completa de 0-4 MHz, como na transmissão monocromática contudo, a maioria dos receptores
Leia maisLuz e Cor. Sistemas Gráficos/ Computação Gráfica e Interfaces FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO
Luz e Cor Sistemas Gráficos/ Computação Gráfica e Interfaces 1 Luz Cromática Em termos perceptivos avaliamos a luz cromática pelas seguintes quantidades: 1. Matiz (Hue): distingue entre as várias cores
Leia maisCaracterísticas da cor
Características da cor Qualquer cor particular pode ser obtida a partir da combinação de VERMELHO AZUL VERDE (Primárias aditivas) (no caso de transmissão) Isto é, uma fonte de luz vermelha, uma fonte de
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 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 maisAplicações Informáticas B 12º Ano
Aplicações Informáticas B 12º Ano Prof. Adelina Maia 2013/2014 AIB_U4A 1 Bases sobre a teoria da cor aplicada aos sistemas digitais (red / Green / blue) Modelo CMYK (cyan / magenta / yellow + Black) Modelo
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 maisMétodos de Extração de Características
1. Introdução Métodos de Extração de Características A Interpretação ou entendimento de uma cena demanda o reconhecimento de seus objetos. Reconhecimento de objetos ou padrões contidos em uma cena -> é
Leia maisRepresentação de cores. Computação Gráfica Cores. O que é luz. Distribuição espectral da iluminação 11/12/12
Representação de cores Computação Gráfica Cores Renato Ferreira Tratados de maneira geral como triplas RGB Um parâmetro alpha opcional Quase todas operações separadas por componente Mas usualmente tratadas
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
PERCEPTRON MULTICAMADAS: TÉCNICAS DE VALIDAÇÃO Prof. Dr. André A. P. Biscaro 2º Semestre de 2016 UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Aspectos de seleção topológica de redes PMC A especificação
Leia maisLuz e Cor. Luz. Onda eletro-magnética. Computação Gráfica Interativa - Gattass 10/26/2004. Luz e Cor. λ (m) f (Hertz)
Marcelo Gattass, PUC-Rio Luz Onda eletro-magnética 10 2 10 4 10 6 10 8 10 10 10 12 10 14 10 16 10 18 10 20 (m) rádioam FM,TV Micro-Ondas Ultra-Violeta Infra-Vermelho RaiosX f (Hertz) 10 6 10 4 10 2 10
Leia maisMODELO de COR (1) ORIENTADO PARA O EQUIPAMENTO. Finalidade? Especificação precisa das cores numa certa gama, para determinada classe de equipamentos.
MODELO de COR (1) ORIENTADO PARA O EQUIPAMENTO Finalidade? Especificação precisa das cores numa certa gama, para determinada classe de equipamentos. O que é? Sub-espaço 3D Sistema de coordenadas 3D Combinação
Leia maisImplementação de um Sistema de Fusão de Imagens no Modelo
Implementação de um Sistema de Fusão de Imagens no Modelo HSI 27 de novembro de 2009 O que será apresentado O que será apresentado : Problemática; O Modelo HSI; Proposta; Implementação do sistema: ; ;
Leia maisRedes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Redes Perceptron e Multilayer Perceptron aplicadas a base de dados IRIS Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce
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 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 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 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 maisGerenciamento da Cor em Sistemas Digitais. Hermes Renato PUCSP 2018
Gerenciamento da Cor em Sistemas Digitais Hermes Renato PUCSP 2018 Cor e Comunicação Com o gerenciamento de cores é possível garantir consistência das cores. História da Cor Leonardo da Vinci - 1489. É
Leia maisLuz e Cor. por Marcelo Gattass Departamento de Informática PUC-Rio
Luz e Cor por Marcelo Gattass Departamento de Informática PUC-Rio (adaptado por Luiz Fernando Martha para a disciplina CIV2802 Sistemas Gráficos para Engenharia) Luz Onda eletro-magnética 10 2 10 4 10
Leia maisCaracterização de Imagens via Redes Neurais Artificiais
Caracterização de Imagens via Redes Neurais Artificiais Autor: Eduardo Ferreira Ribeiro 1, Orientadora: Celia Zorzo Barcelos 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal
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 maisCapítulo II Imagem Digital
Capítulo II Imagem Digital Proc. Sinal e Imagem Mestrado em Informática Médica Miguel Tavares Coimbra Resumo 1. Formação de uma imagem 2. Representação digital de uma imagem 3. Cor 4. Histogramas 5. Ruído
Leia maisAnálise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation
Análise de um aproximador funcional utilizando as Redes Neurais artificiais MLP treinada com o algoritmo Backpropagation Martinez, S. C. 1, Ferrara, L. F. P. 2, Mario, M. C. 2. 1 Aluna do Curso de Mestrado
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 maisAprendizado por imitação usando Redes Neurais
Universidade de São Paulo Instituto de Ciências Matemáticas e Computação Aprendizado por imitação usando Redes Neurais Aluna: Valéria de Carvalho Santos Profª. Dra. Roseli A. F. Romero 2 Sumário Introdução
Leia maisBússola Visual para futebol de robôs
Bússola Visual para futebol de robôs Fabrício Tonetto Londero¹, Rodrigo da Silva Guerra¹, Giovani Rubert Librelotto¹ ¹Universidade Federal de Santa Maria (UFSM) Santa Maria RS Brasil fabriciotonettolondero@gmail.com,
Leia maisMaterial protegido pelas leis de direito autoral Proibida qualquer tipo de divulgação sem à devida autorização ou citada a fonte de forma correta.
O que é cor? É a percepção visual provocada pela ação de um feixe de fótons sobre as células especializadas da retina, células essas que transmitem informação através do nervo óptico para o sistema nervoso,
Leia maisCARTOGRAFIA TEMÁTICA Teoria das cores. Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura
CARTOGRAFIA TEMÁTICA Teoria das cores Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura - 2019 Projeto cartográfico Teoria das Cores Percepção da cor
Leia maisLuz, Cor e Percepção Visual
Luz, Cor e Percepção Visual André Tavares da Silva andre.silva@udesc.br Capítulo 13 do Foley O que é luz? Luz é uma forma de energia. Tipo de radiação eletromagnética com um comprimento de onda que afeta
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação Aprendizado de Máquina (Machine Learning) Aula 03 Aprendizado Supervisionado / : Modelo MCP e Perceptron Max Pereira Neurônio Booleano de McCulloch- Pitts (Modelo MCP) Proposto em
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 maisCARTOGRAFIA TEMÁTICA Teoria das cores. Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura
CARTOGRAFIA TEMÁTICA Teoria das cores Prof. Luciene S. Delazari Departamento de Geomática Curso de Engenharia Cartográfica e de Agrimensura - 2018 Projeto cartográfico Teoria das Cores Percepção da cor
Leia maisTonalidade, luminosidade, saturação.
Tonalidade, luminosidade, saturação. O mundo da cor é uma mistura desses três atributos. Figura 1: Roda das cores. Amarelo-Verde Amarelo Laranja Vermelho Verde Vermelho-Violeta Azul-Verde Azul Azul-Violeta
Leia mais5 Resultados Dados artificiais Convergência à mediana e à média com dados artificiais
5 Resultados Os resultados da aplicação do método proposto estão estruturados de forma a evidenciar: 1. A convergência numérica do algoritmo proposto nesta tese para a mediana e para a média de grupos
Leia maisIntrodução às Redes Neurais Artificiais
Introdução às Redes Neurais Artificiais Perceptrons de Múltiplas Camadas I Prof. João Marcos Meirelles da Silva www.professores.uff.br/jmarcos Departamento de Engenharia de Telecomunicações Escola de Engenharia
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 maisProcessamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e de Imagens Sensoriamento Remoto 2 Introdução Espectro Eletromagnético
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Leia maisAquisição/Codificação de Vídeo
Aquisição/Codificação de Vídeo Tópicos em Hipermídia Diego Fiori de Carvalho Rudinei Goularte 1 Roteiro Aquisição/Codificação Evolução CCD Formatos de vídeo analógico Aquisição de Imagens Padrões de Cor
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisSEL-0339 Introdução à Visão Computacional. Aula 5 Segmentação de Imagens
Departamento de Engenharia Elétrica - EESC-USP SEL-0339 Introdução à Visão Computacional Aula 5 Segmentação de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira Prof. Dr. Adilson Gonzaga Segmentação de
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Marcelo K. Albertini 24 de Julho de 2014 2/34 Conteúdo Perceptron Gradiente descendente Redes multicamadas Retropropagação de erros 3/34 Modelos conexionistas Humanos Tempo de
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 mais- lnteligência Artificial. Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry
PCS - 5689 - lnteligência Artificial Seminário sobre o artigo: Beans quality inspection using correlationbased granulometry Autores: Sidnei Alves de Araújo, Jorge Henrique Pessota, Hae Yong Kim Aluno:
Leia maisUniversidade Federal de Sergipe Departamento de Matemática. Cor* Profª. Maria Andrade. *Parte desta apresentação foi do Prof. Thales Vieira.
Universidade Federal de Sergipe Departamento de Matemática Cor* Profª. Maria Andrade *Parte desta apresentação foi do Prof. Thales Vieira. 2016 Nosso Roteiro. Aulas (Cor): 7, 9 e 14 Aulas (Imagem): 16
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
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 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 maisFaculdade de Engenharia da Universidade do Porto. LEEC / MIEEC 5.º Ano - 1.º Semestre Televisão Digital
Faculdade de Engenharia da Universidade do Porto LEEC / MIEEC 5.º Ano - 1.º Semestre - 2006-2007 Televisão Digital Conversão e Manipulação em Espaços de Côr Grupo: 020503068 - Carlos Guilherme Varela Araújo
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 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 ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
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 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 mais10º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2016 Campinas, São Paulo ISBN
Um Estudo de Descritores e Classificadores para Reconhecimento de Bagas de Café Pedro Henrique Ferreira Stringhini 1 ; Thiago Teixeira Santos 2 Nº 16605 RESUMO Métodos de reconhecimento de frutos baseados
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 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 maisAplicações da RMC. Avaliação de Algoritmos. Tratamento nos dados 27/8/2010. Roseli A F Romero SCC 5809 REDES NEURAIS
SCC 5809 REDES NEURAIS Profa. ROSELI ROMERO Aplicações da RMC Reconhecimento de Imagens: FACES/GESTOS Reconhecimento de Voz Transformação de Texto em Voz Previsão de Bolsa de Valores Análise de Dados Financeiros
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 maisProcessamento de imagem a cores
A cor é um poderoso descritor que frequentemente simplifica a identificação e extracção de objectos de uma cena Os humanos podem discernir milhares de cores, mas apenas duas dezenas de cinzentos O processamento
Leia mais