Análise do Uso de Descritores Locais e Classificadores no Reconhecimento de Cédulas de Real
|
|
- Giuliana Bergmann Ribeiro
- 6 Há anos
- Visualizações:
Transcrição
1 III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p , jun, ISBN: Análise do Uso de Descritores Locais e Classificadores no Reconhecimento de Cédulas de Real Leonardo P. Sousa 1, Rodrigo M. S. Veras 1, Maíla L. Claro 1 1 Universidade Federal do Piauí (UFPI) - Campus Ministro Petrônio Portella Centro de Ciências da Natureza (CCN) - Departamento de Computação Teresina - PI - Brazil {leonardosousa,rveras}@ufpi.edu.br, claromaila@gmail.com Abstract. Recognition of Banknotes, to assist the visually impaired, is a challenging task in the computational view that involves the steps of image acquisition, feature extraction, and classification. The feature extraction is related to the accuracy and speed in training and classification. It is a classification seek ways to validate the information generated by the descriptors. This work presents a comparative of the descriptors: SURF, MSER, BRISK and FAST, using a base of images containing 336 images of Real currency banknotes. The results were tested using the MLP, SVM-SMO and RBF Network classifiers. For the evaluation, true positives, true negatives and precision measurements were taken. Resumo. O reconhecimento de cédulas bancárias, para auxiliar deficientes visuais, é uma tarefa desafiadora na visão computacional que envolve as etapas: aquisição de imagens, extração de características e classificação. A extração de características está relacionada com a acurácia e a velocidade de treinamento e classificação. Já a classificação irá validar as informações geradas pelos descritores. Este trabalho apresenta um comparativo dos descritores: SURF, MSER, BRISK e FAST, utilizando uma base de imagens contendo 336 imagens de cédulas de Real. Os resultados foram testados utilizando os classificadores: MLP, SVM-SMO e RBF Network. Para a avaliação foram extraídas as medidas de precisão, verdadeiros positivos e verdadeiros negativos. 1. Introdução Com o surgimento de novas tecnologias, houve o aumento de mecanismos para oferecer acessibilidade e inclusão à indivíduos com deficiência, visando proporcionar alguns benefícios, como maior independência e qualidade de vida. A deficiência visual compromete a visualização e identificação de objetos. Segundo o censo do Instituto Brasileiro de Geografia e Estatística (IBGE) de 2010 havia no Brasil uma população de mais de 45,6 milhões com algum tipo de deficiência. Dentre o número de deficientes, há cerca de 35,8 milhões de pessoas com dificuldade para enxergar, sendo que, 506,3 mil se declararam totalmente cegos [Teixeira et al. 2015]. O reconhecimento de padrões em imagens deriva-se de diversas fases: a aquisição é a primeira ação a ser realizada. Após, em alguns casos é necessária a realização de um pré-processamento, de forma a amenizar imperfeições na imagem ou modificar algum elemento para ser analisado. Em seguida é utilizado um detector de pontos chaves, que
2 consiste em buscar Pontos de Interesse (Points of Interest - PoI) na imagem. Na sequencia, é utilizado um descritor, para gerar valores que possam descrever os PoI. Após a definição dos descritores, estes, devem ser utilizados em métodos de classificação e agrupamento de características. Esses métodos necessitam de dados identificados (informando a que classe pertence), para que seja realizado o aprendizado, a partir das características disponibilizadas. Na sequencia, é obtido um modelo de treinamento genérico capaz de identificar novos objetos, com base no aprendizado adquirido. Na escolha dos classificadores há a necessidade de analisar e testar, buscando-se obter os melhores resultados na classificação. Nesse artigo, é apresentado uma análise da combinação entre os descritores (SURF, MSER, BRISK e FAST) e classificadores (SVM-SMO, MLP e RBF), contidos nas literaturas, sendo utilizados no reconhecimento de cédulas de real. 2. Trabalhos Relacionados No trabalho de [Hasanuzzaman et al. 2012], é proposto uma abordagem para reconhecimento de cédulas usando recursos SURF (Speeded Up Robust Features). Para a geração do componentes foi realizado cortes manual de vários pontos de referência em cada cédula monetária (frente e verso), montando uma base de dados para comparação com as imagens a serem testadas. Nos testes foram utilizados 140 imagens de cédulas bancárias de dólar americano. Em [Teixeira et al. 2015], propuseram um aplicativo para reconhecimento de cédulas, empregando o algoritmo SURF, para a identificação dos PoI e descritores. Para a classificação é utilizado o classificador Support Vector Machines - Sequential Minimal Optimization (SVM-SMO). Nos testes foram utilizados 1440 imagens digitais. Na pesquisa de [Costa et al. 2016], desenvolveram uma aplicação para o reconhecimento de cédulas monetárias de Euro, utilizando os detectores: SIFT, SURF, GFTT, FAST, ORB, BRISK, STAR e MSER. E os descritores: SIFT, SURF, FREAK, BRIEF, ORB, BRISK. A classificação pode ser realizada usando uma força bruta ou uma abordagem heurística. O sistema foi testado com 80 imagens de teste. 3. Materiais e Métodos 3.1. Descritores São algoritmos que descrevem o conteúdo de imagens e as representam por vetores de características. Speed-Up Robust Features - SURF: O algoritmo proposto por Herbert [Bay et al. 2008] é inspirado no SIFT, mas com a intenção de ser mais rápido na obtenção e verificação de características. Esse algoritmo realiza a localização dos PoI, em seguida gera um vetor de características. Como essas informações foram extraídas com base na orientação, o mesmo padrão permanece se a imagem for rotacionada, sendo possível identificar a imagem mesmo que seja mudada sua orientação. Maximally Stable External Regions - MSER: A metodologia proposta por Chum [Matas et al. 2004] propõe o desenvolvimento de um método robusto diante de mudanças de perspectiva. O algoritmo localiza PoI extremos na imagem, buscando identificar
3 regiões conexas da imagem a partir da intensidade do brilho. Detecta regiões de borda com uma grande variação de intensidade. Binary Robust Invariant Scalable Keypoints - BRISK: Baseia-se em uma amostra circular facilmente configurável, que a partir da qual, ele calcula as comparações de brilho para formar uma cadeia de descritor binário [Leutenegger et al. 2011]. Esse método leva em consideração a rotação de um PoI. Features from Accelerated Segment Test - FAST: É um método de detecção de cantos proposto com o objetivo de identificar PoI em imagens. Não possui informações sobre a orientação dos descritores e é altamente sensível a ruídos [Pass et al. 1997] Classificadores Após a extração dos PoI e dos descritores é necessário classificá-los, ou seja, identificar as imagens analisando os atributos definidos pelos descritores. Support Vector Machine - SVM: É um algoritmo de aprendizagem supervisionado para análise de dados e reconhecimento de padrões. Segundo Eduardo [Kinto 2011], é uma máquina de aprendizado que identifica algumas amostras de teste, separando-os em dois grupos. Este recebe como entrada um conjunto de dados e analisa essa informação, definindo para qual classe conjunto de dados pertence. Sequencial Minimal Optimization - SMO: É um algoritmo que resolve rapidamente o problema de programação quadrática SVM, sem qualquer armazenamento extra de matrix [Platt 1999]. O SMO divide grandes problemas em séries de pequenos problemas possíveis, que são resolvidos analiticamente. Multilayer Perceptron - MLP: De acordo com [Ludermir et al. 2000], possui uma ou mais camadas possibilitando a separação das classes de forma não linear. Os principais componentes são: camada de entrada, responsável por receber os dados; camada oculta, composta por uma ou mais camadas com um ou mais nós, sendo efetuado o processamento através de uma função de ativação e; camada de saída, recebe as informações das camadas intermediárias e fornece a resposta. Radial Basis Function - RBF: Consiste em um modelo de rede neural, capaz de aprender padrões complexos. Segundo [Musavi et al. 1992], a ideia é projetar uma rede com boa capacidade de generalização e um número mínimo de nós para evitar cálculos desnecessariamente longos, em oposição a redes perceptron multicamadas. 4. Experimentos A base de imagens utilizada neste trabalho é constituída de 336 imagens digitais. As imagens da cédula inteira (frente e verso) foram adquiridas na webpage do Banco Central do Brasil. Para a realização dos testes, foram utilizadas: imagens de frente e verso, variando a posição: horizontal, vertical, rotação em 90 o graus a direita e a esquerda e rotação a 180 o graus, totalizando 8 imagens de cada valor de notas, formando uma base com 48 imagens. Em aplicativos reais dificilmente é analisado toda a cédula(pode existir oclusões), sendo incluso na base de testes: notas em 2 partes e em 4 partes, conforme ilustrada na Figura 1, formando 56 imagens de cada classe.
4 Figura 1. Cédula inteira (a), 1/2 da cédula (b) e 1/4 da cédula(c). Para incrementar as ações de processamento de imagem e testes dos descritores juntamente com os classificadores, foram montadas mais 2 bases de imagens: uma onde foi aplicado o filtro da média, com janela de tamanho [5 5], simulando uma imagem borrada das cédulas e uma onde foi inserido o ruído Salt & Pepper na proporção de 0,05, simulando variação de iluminação e desgaste pelo uso Metodologia de Avaliação Para extração dos PoI, foi utilizado o programa MATLAB. Sendo que para cada imagem é gerado uma matriz de atributos, mas para o trabalho proposto, deve-se possuir somente um vetor de dados para referenciar a classe. Nesse caso, foi calculado a média dos valores, ficando armazenado somente um vetor com 64 elementos para cada imagem. Concluindo o vetor de atributos, foi inserido mais um valor fazendo referência a qual classe os dados obtidos pertencem. Juntamente com a matriz de atributos, foi criado um arquivo (com extensão.arrf), a ser analisado pelo software WEKA, onde será realizada a classificação dos dados. Neste trabalho foram analisados os dados gerados pelos descritores, utilizando o método de classificação (n-fold cross validation sendo selecionado o valor n = 10). Dessa forma utiliza-se 90% dos dados para treinamento e o restante, 10%, para etapa de teste. Nessa etapa foi executado cada arquivo gerado pelos descritores nos 3 classificadores escolhidos Resultados Após a execução dos testes, foram utilizados para representação dos resultados, os seguintes parâmetros: Taxa de Verdadeiros Positivos (TPR), que mede a quantidade de acertos; Taxa de Falsos Positivos (FPR), quantidade de erros de classificação e Precisão (P), que ilustra a proporção de casos que são verdadeiramente de uma classe dividido pelo total de casos classificados como essa classe. Para a validação dos dados armazenados, foi gerada a Tabela 1, que mostra a média da análise de todas as classes de notas, ou seja, foi realizada a média dos resultados de todas as classes de cédulas, facilitando-se assim o entendimento. Com relação a taxa de verdadeiros positivos, verifica-se que a junção do descritor SURF com o classificador MLP proporcionou melhores resultados, alcançando um desempenho superior a 0,979. Para os falsos positivos, percebe-se que a combinação que obteve um maior índice de erros de classificação foi o descritor BRISK com o classificador RBF, obtendo um índice superior a 0,121.
5 Tabela 1. Resultado da análise, com cédulas em boa qualidade. SVM MLP RBF TPR FPR P TPR FPR P TPR FPR fp SURF 0,917 0,017 0,92 0,979 0,004 0,979 0,827 0,035 0,834 MSER 0,896 0,021 0,895 0,949 0,01 0,949 0,783 0,043 0,79 BRISK 0,5 0,1 0,515 0,5 0,1 0,496 0,393 0,121 0,393 FAST 0,762 0,048 0,766 0,932 0,014 0,932 0,625 0,075 0,634 Ainda na seção resultados, a Tabela 2, ilustra os valores obtidos utilizando uma base de imagens, aplicada o filtro da média. A junção do descritor SURF com o classificador MLP, obtiveram ótimos resultados, com um índice de 0,914. Na quantidade de erros de classificação, percebe-se que a combinação do descritor BRISK com o classificador RBF, permaneceu como a junção que obteve o pior resultado, obtendo um índice superior a 0,121. Tabela 2. Resultado da análise, com cédulas borradas. SVM MLP RBF TPR FPR P TPR FPR P TPR FPR P SURF 0,818 0,036 0,822 0,914 0,017 0,914 0,702 0,06 0,71 MSER 0,827 0,035 0,83 0,878 0,024 0,879 0,685 0,063 0,701 BRISK 0,464 0,107 0,454 0,604 0,079 0,605 0,393 0,121 0,376 FAST 0,771 0,046 0,782 0,866 0,027 0,871 0,56 0,088 0,559 Finalizando os testes com as imagens, foi analisado os resultados obtidos com a base de imagens com ruído, a Tabela 3, ilustra os valores obtidos após os processos de classificação. A combinação que alcançou um melhor resultado foi a junção do descritor MSER e o classificador MLP, obtendo um índice de 0,807. Mas é um índice que representa baixa acurácia. Tabela 3. Resultado da análise, com cédulas ruidosas SVM MLP RBF TP FP PREC TP FP PREC TP FP PREC SURF 0,679 0,064 0,683 0,78 0,044 0,781 0,586 0,083 0,6 MSER 0,714 0,057 0,715 0,807 0,039 0,807 0,714 0,057 0,719 BRISK 0,5 0,1 0,515 0,5 0,1 0,496 0,393 0,121 0,393 FAST 0,563 0,088 0,577 0,72 0,056 0,721 0,435 0,113 0,459 Nos testes, foram utilizados a combinação dos melhores descritores, SURF e MSER, para verificar se alcançava uma melhor caracterização das cédulas. Mas como resultado: houve apenas uma pequena melhoria, levando-se em consideração ao índice do MSER. E em relação ao SURF, a combinação não conseguiu superar o índice da utilização individual do SURF. 5. Conclusão Este trabalho apresentou uma análise de descritores e classificadores na detecção de cédulas de real. De acordo com os testes realizados com os descritores, demonstramos
6 que o descritor que obteve um melhor resultado foi o SURF. Dentre os classificadores que foram analisados o que obteve melhor resultado foi o MLP, com um TPR acima de 0,9. Mas com a base de imagens submetidas a ruídos, houve uma queda significativa no reconhecimento, indicando haver a necessidade da inclusão de uma etapa de eliminação de ruídos nas imagens, para tentar aumentar a acurácia dos resultados. Como trabalhos futuros, espera-se a utilização dos descritores e classificadores, em aplicativos de reconhecimento de cédulas, para auxilio aos deficientes visuais. Referências Bay, H., Ess, A., Tuytelaars, T., and Van Gool, L. (2008). Speeded-up robust features (surf). Comput. Vis. Image Underst., 110(3): Costa, C. M. C. d., Veiga, G., and Sousa, A. (2016). Recognition of Banknotes in Multiple Perspectives Using Selective Feature Matching and Shape Analysis. Braganà a. Hasanuzzaman, F. M., Yang, X., and Tian, Y. (2012). Robust and effective componentbased banknote recognition for the blind. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 42(6): Kinto, E. A. (2011). Otimização e análise das máquinas de vetores de suporte aplicadas à classificação de documentos. PhD thesis, Universidade de São Paulo. Leutenegger, S., Chli, M., and Siegwart, R. Y. (2011). Brisk: Binary robust invariant scalable keypoints. In Computer Vision (ICCV), 2011 IEEE International Conference on, pages IEEE. Ludermir, T. B., Braga, A. P., and Carvalho, A. (2000). Redes neurais artificiais: teoria e aplicações. Livros Técnicos e Científicos Editora. Maia, J. (2010). Detecção e reconhecimento de objetos usando descritores locais. PhD in Bioinformatics, Universidade Federal do Ceara, Biomathematics Group, R. Qta. Grande, 6: Matas, J., Chum, O., Urban, M., and Pajdla, T. (2004). Robust wide-baseline stereo from maximally stable extremal regions. Image and vision computing, 22(10): Mulmule-Shirkhedkar, D. and Dani, A. R. (2015). Comparative study of surf and freak descriptor on indian rupee currency notes. In Information Processing (ICIP), 2015 International Conference on, pages IEEE. Musavi, M., Ahmed, W., Chan, K., Faris, K., and Hummels, D. (1992). On the training of radial basis function classifiers. Neural Networks, 5(4): Pass, G., Zabih, R., and Miller, J. (1997). Comparing images using color coherence vectors. In Proceedings of the fourth ACM international conference on Multimedia, pages ACM. Platt, J. C. (1999). 12 fast training of support vector machines using sequential minimal optimization. Advances in kernel methods, pages Teixeira, V. V., Braga, J. C., and do Nascimento, M. Z. (2015). Aplicativo identificador de cédulas para deficientes visuais. Revista de Informática Aplicada, 11(1). Treiber, M. A. (2010). An introduction to object recognition: selected algorithms for a wide variety of applications. Springer Science & Business Media.
Metodologia de Identificação de Cédulas Monetárias para Deficientes Visuais Monetary Notes Identification Methodology for Visually Impaired
Metodologia de Identificação de Cédulas Monetárias para Deficientes Visuais Monetary Notes Identification Methodology for Visually Impaired Leonardo Pereira de Sousa, Rodrigo de Melo Souza Veras, Luis
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 maisIdentificação de Produtos por Imagem Utilizando o Algoritmo SURF
Identificação de Produtos por Imagem Utilizando o Algoritmo SURF Um Comparativo Entre Redes Perceptron Multicamadas e Máquinas de Vetor de Suporte Guilherme Defreitas Juraszek, Alexandre Gonçalves Silva
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia 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 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 maisReconhecimento de Instâncias (parte 2)
Reconhecimento de Instâncias (parte 2) Rafael Galvão de Mesquita rgm@cin.ufpe.br Carlos Alexandre Mello cabm@cin.ufpe.br SURF Speeded-Up Robust Features [3] Computer Vision and Image Understanding, 2004
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
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 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 maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
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 maisMétodo para auxiliar o reconhecimento de cédulas monetárias pelos deficientes visuais
Método para auxiliar o reconhecimento de cédulas monetárias pelos deficientes visuais Victor Vequetine. Teixeira 1, Marcelo Zanchetta do Nascimento 2, Juliana Cristina Braga 1 1 Centro de Matemática, Computação
Leia maisPCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial
Universidade Federal de Ouro Preto Instituto de Ciências Exatas e Biológicas Programa de Pós-Graduação em Ciência da Computação PCC146 RECONHECIMENTO DE PADRÕES Trabalho Pacial Eduardo Luz Rensso Mora
Leia maisSIFT (Scale-invariant feature transform), SURF (Speeded up robust features)
SIFT (Scale-invariant feature transform), SURF (Speeded up robust features) Scale- and rotation-invariant interest point detector and descriptor. detector (keypoints) descriptor matching Aplicações: Camera
Leia maisMineração de Dados - II
Tópicos Especiais: INTELIGÊNCIA DE NEGÓCIOS II Mineração de Dados - II Sylvio Barbon Junior barbon@uel.br 10 de julho de 2015 DC-UEL Sylvio Barbon Jr 1 Sumário Etapa II Algoritmos Básicos Weka: Framework
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Leia 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 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 maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
Leia maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) 2016/ PPGCA PPGCA/UTFPR -- CAIA003
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ (UTFPR) Mineração de Dados 2016/3 Professores Celso e Heitor Jean Avila Rangel 1801317 - PPGCA PPGCA/UTFPR câmpus Curitiba -- CAIA003 - Mineração de Dados --
Leia maisIdentificação de objetos móveis com uso de imagens aéreas obtidas por VANT. Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1
Identificação de objetos móveis com uso de imagens aéreas obtidas por VANT Rodrigo Augusto Rebouças 1 Matheus Habermann 1 Elcio Hideiti Shiguemori 1 1 Instituto de Estudos Avançados IEAv/DCTA São José
Leia maisPrediction of Secondary Structure of Protein using Support Vector Machine / 11
Prediction of Secondary Structure of Protein using Support Vector Machine Pankaj Agarwal, Shivani Agarwal e Deepali Mendiratta IMS Engineering College, Ghaziabad - India 2014 Prediction of Secondary Structure
Leia maisAnotador automático de placas de publicidade em vídeos esportivos
MAC0499 - Trabalho de Formatura Supervisionado Professor: Carlos Eduardo Ferreira Universidade de São Paulo Instituto de Matemática e Estatística Aluno: Ricardo Augusto Fernandes Orientador: Prof. Dr.
Leia maisClassificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais
Classificação Hierárquica Multirrótulo Utilizando Redes Neurais Artificiais Ricardo Cerri Instituto de Ciências Matemáticas e de Computação Universidade de São Paulo cerri@icmc.usp.br Roteiro Introdução
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia 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 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 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 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 maisIntrodução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr.
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 maisSistema de Reconhecimento de Logotipos
Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira {duartefellipe,sto}@cos.ufrj.br Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisBoas Maneiras em Aprendizado de Máquinas
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Boas Maneiras em Aprendizado de Máquinas David Menotti www.inf.ufpr.br/menotti/ci171-182 Boas Maneiras Agenda Introdução Métricas
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 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 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 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 maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
Leia maisModelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
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 maisBiometria Multimodalidade Íris + Face. Luiz Antonio Zanlorensi Junior
Biometria Multimodalidade Íris + Face Luiz Antonio Zanlorensi Junior Sumário Introdução Fusionamento Artigo 1 Seleção de características Multimodal Problemas Base de dados Artigo 2 Unimodal + Multimodal
Leia maisFundamentos de Mineração de Dados
Fundamentos de Mineração de Dados Prof. Ricardo Fernandes ricardo.asf@ufscar.br O que é Mineração de Dados? Uso de ferramentas matemáticas, clássicas ou inteligentes, no processo de descoberta de conhecimento
Leia maisAprendizado de Máquina. Combinando Classificadores
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquina Combinando Classificadores David Menotti, Ph.D. web.inf.ufpr.br/menotti Introdução O uso de vários classificadores
Leia maisAbstract. 2. Material e Métodos. 1. Introdução
Análise de Desempenho de Classificadores Baseados em Redes Neurais, Máquinas de Vetores de Suporte e Florestas de Caminhos Ótimos para o Reconhecimento de Dígitos Manuscritos Aparecido Nilceu Marana, João
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 maisProjetos finais. Grupo 3
Projetos finais Grupo 3 Integrantes Laez Barbosa da Fonseca Filho 8586902 laez.filho@usp.br Caetano Mastroianni Dieguez 7210164 caetano.dieguez@usp.br Lais Harumi Fukujima Aguiar 8587142 lais.aguiar.br@ieee.org
Leia 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 maisClassificação de Gênero com Diferentes Técnicas de Aprendizado de Máquina
Classificação de Gênero com Diferentes Técnicas de Aprendizado de Máquina Eduardo Henrique Giroto 1, Sérgio Montazzolli Silva 1 1 Departamento de Computação Universidade Estadual de Londrina (UEL) Caixa
Leia maisCasamento de padrões em imagens e vídeos usando características de imagens
Casamento de padrões em imagens e vídeos usando características de imagens Kassius Vinicius Sipolati Bezerra DCEL / CEUNES / UFES São Mateus, ES, Brazil Edilson de Aguiar DCEL / CEUNES / UFES São Mateus,
Leia mais"Análise de Extratores de Característica para Reconhecimento de Face"
Universidade Federal de Pernambuco Centro de Informática Graduação em Engenharia de Computação Proposta de Trabalho de Graduação "Análise de Extratores de Característica para Reconhecimento de Face" Orientador:
Leia 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 maisAprendizado de Máquina
Aprendizado de Máquina Introdução ao WEKA Luiz Eduardo S. Oliveira Universidade Federal do Paraná Departamento de Informática http://web.inf.ufpr.br/luizoliveira Luiz S. Oliveira (UFPR) Aprendizado de
Leia maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
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 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 maisP L A N O D E T R A B A L H O
P L A N O D E T R A B A L H O Título do Projeto: Visão Computacional e Aprendizagem Automática para Aplicações em Agropecuária e Ciências Forenses. Título do Plano de trabalho: Rumicam: Módulo para análise
Leia maisCONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisMineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior
Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e
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 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 maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
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 maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
Leia maisReconhecimento Automático de Movimentos Artísticos em Pinturas: Um Comparativo
Reconhecimento Automático de Movimentos Artísticos em Pinturas: Um Comparativo Jordan B. Rodrigues 1, Polyana B. Costa 1, Roberto M. P. Pereira 1, Lucas B. Maia 1, João D. S. Almeida 1 1 Núcleo de Computaçao
Leia maisClassificação de arritmias em sinais ECG
Classificação de arritmias em sinais ECG Eduardo Luz Rensso Mora Universidade Federal de Ouro Preto 06/10/2010 Summary 1 Introdução 2 3 4 5 Introdução Comparação entre três métodos para classificação de
Leia mais7 Resultados e Discussão
114 7 Resultados e Discussão A fim de avaliar a importância da utilização de imagens polarizadas em medidas de textura, cujo processamento necessita de imagens nos dois modos de captura (campo claro e
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 maisCriação de mosaico usadando o SURF e o matcher FLANN
Criação de mosaico usadando o SURF e o matcher FLANN Felipe Jordão Pinheiro de Andrade Universidade Federal do Maranhão, São Luis, BRA Abstract. O trabalho propoe uma metodologia para a criação de um mosaico
Leia maisDescoberta de Conhecimento em Bancos de Dados - KDD
Descoberta de Conhecimento em Bancos de Dados - KDD Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Fases do processo 3. Exemplo do DMC 4. Avaliação
Leia maisReconhecimento de Sinais de Trânsito Utilizando Deep Learning
Reconhecimento de Sinais de Trânsito Utilizando Deep Learning Marcos Vinícius Oliveira Sobrinho 1, Matheus Chaves Menezes 1, Chrystian Gustavo Martins Nascimento 1, Geraldo Braz Júnior 2 1 Curso de Ciência
Leia maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
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 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 maisAplicação dos Algoritmos SIFT e SURF na Classificação de Sub-Imagens por Discriminação de Textura
CENTRO UNIVERSITÁRIO EURÍPIDES DE MARÍLIA FUNDAÇÃO DE ENSINO EURÍPIDES SOARES DA ROCHA BACHARELADO EM CIÊNCIA DA COMPUTAÇÃO Aplicação dos Algoritmos SIFT e SURF na Classificação de Sub-Imagens por Discriminação
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 de Alimentos utilizando Histograma de Cor e SIFT
Reconhecimento de Alimentos utilizando Histograma de Cor e SIFT Daniela S. Costa 1, Polyana B. Costa 1, Geraldo Braz Jr. 2 1 Núcleo de Computaçao Aplicada - Universidade Federal do Maranhão (UFMA) Caixa
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 mais11º Congresso Interinstitucional de Iniciação Científica CIIC a 04 de agosto de 2017 Campinas, São Paulo ISBN
DETECÇÃO DE FRUTOS EM CAMPO POR APRENDIZADO DE MÁQUINA Andreza Aparecida dos Santos¹; Thiago Teixeira Santos 2 Nº 17603 RESUMO Métodos de reconhecimento de frutos utilizando diferentes descritores e classificadores
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 maisCRI Minas Indústria 4.0. Case Vallourec: Golden Batch na produção de tubos
CRI Minas Indústria 4.0 Case Vallourec: Golden Batch na produção de tubos 02 05 2018 G o l d e n B a t c h A n a l y s i s Case Vallourec Líder mundial em soluções tubulares premium, a Vallourec assegura
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 maisPerson Re-Identification. Autor: Guilherme Zasyeki Machado
Person Re-Identification Autor: Guilherme Zasyeki Machado Sumário - Introdução ao problema - Visão geral ao processo de Re-Identificação - Evolução estado da arte - Datasets disponíveis - Análise estado
Leia maisALGORITMO SUBIDA DA ENCOSTA PARA OTIMIZAÇÃO DE PARÂMETROS DE MÁQUINAS DE VETORES SUPORTES
ALGORITMO SUBIDA DA ENCOSTA PARA OTIMIZAÇÃO DE PARÂMETROS DE MÁQUINAS DE VETORES SUPORTES Francisco Carlos Monteiro Souza, Ricardo B. C. Prudêncio Centro de Informática Universidade Federal de Pernambuco
Leia maisIntrodução ao Reconhecimento. Prof. Dr. Geraldo Braz Junior
Introdução ao Reconhecimento Prof. Dr. Geraldo Braz Junior O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos Vários 4 Pergunta:
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 maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisDescoberta de conhecimento em redes sociais e bases de dados públicas
Descoberta de conhecimento em redes sociais e bases de dados públicas Trabalho de Formatura Supervisionado Bacharelado em Ciência da Computação - IME USP Aluna: Fernanda de Camargo Magano Orientadora:
Leia maisClassificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Visão Robótica Imagem Classificação de Padrões Radiológicos por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aluna: Luiza Dri Bagesteiro Orientador: Prof. Dr. Daniel Weingaertner Co-orientador:
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisRELATÓRIO TÉCNICO - CIENTÍFICO
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA PIBIC : CNPq, CNPq/AF, UFPA, UFPA/AF, PIBIC/INTERIOR,
Leia maisEstimação dos Parâmetros de uma SVM utilizando um Algoritmo Genético para o Reconhecimento de Caracteres Manuscritos
Estimação dos Parâmetros de uma SVM utilizando um Algoritmo Genético para o Reconhecimento de Caracteres Manuscritos F. Wilson R. Junior 1, Kennedy S. de Abreu 1 1 Universidade Federal do Ceara (UFC) Sobral
Leia maisRelatório Técnico - SVM na base Breast Cancer Wisconsin
Relatório Técnico - SVM na base Breast Cancer Wisconsin Matheus Gutoski Universidade Tecnológica Federal do Paraná - CPGEI/PPGCA Mineração de Dados 4 de novembro de 2016 1 Objetivo O objetivo deste trabalho
Leia mais