Uma Abordagem Genética Para Redes Neurais Convolucionais
|
|
- Yan Leveck Taveira
- 5 Há anos
- Visualizações:
Transcrição
1 Uma Abordagem Genética Para Redes Neurais Convolucionais Roberto M. Pinheiro Pereira 1, Lucas Bezerra Maia 1, Polyana Bezerra Da Costa 1, Jordan Boaz Rodrigues 1, Geraldo Braz Junior 1 João D. S. De Almeida, 1 1 Núcleo de Computação Aplicada Universidade Federal do Maranhão (UFMA) Caixa Postal São Luís MA Brasil roberto@nca.ufma.br, lucasmaia1202@gmail.com {jordanboaz14, polyanabcosta}@gmail.com {geraldo.braz, joao.dallyson}@ufma.br Abstract. Convolutional Neural Networks have recently acquired high results on different computer vision tasks. One of the main advantages of CNNs is the ability of using the same architecture to solve more than one problem. However, in order to acquire better results when using the same architecture, inner modifications may be necessary. This paper presents a genetic algorithm which tries to find the best combination of parameters to a CNN architecture and a problem. Resumo. Redes Neurais Convolucionais vêm obtendo resultados inovadores em várias tarefas da visão computacional. Uma das maiores vantagens deste tipo de rede é a possibilidade de utilizar a mesma arquitetura para resolver diversos problemas. Contudo, visando obter resultados melhores, alguns parâmetros podem sofrer alterações. Neste artigo, apresentamos um algoritmo genético para encontrar a melhor combinação de parâmetros para uma rede neural convolucional utilizada no reconhecimento de símbolos de partituras musicais. 1. Introdução Técnicas que utilizam abordagens deep learning vem mostrando resultados antes inimagináveis. Problemas que pouco tempo atrás eram considerados tarefas extremamente difíceis, hoje podem ser resolvidos com acurácias superiores a 95% [He et al. 2015]. Além dos resultados elevados, métodos que utilizam as técnicas de deep learning permitem que, com pequenas adaptações no modelo original, problemas similares ao original sejam resolvidos. Por meio de [He et al. 2015], [Chen et al. 2016] e [Dai et al. 2015] podemos visualizar o uso da mesma rede neural convolucional, sofrendo pequenas alterações, em tarefas distintas. Outro exemplo é a utilização das arquiteturas AlexLeNet [Krizhevsky et al. 2012] e GoogLeNet [Szegedy et al. 2015] que foram, originalmente, projetadas para a competição Imagenet e, em [Pereira et al. 2016b], é utilizada na análise de lesões mamarias. Outras aplicações de arquiteturas desse tipo podem ser encontradas em [Hafemann 2014], onde utiliza-se redes neurais convolucionais, dentre outras, na classificação de áudios e em [Lo et al. 1995] na detecção de nódulos pulmonares.
2 Ainda, uma rede neural convolucional pode sofrer alterações internas. Para isso, basta que alteremos alguns parâmetros das camadas da rede. Dependendo da combinação de parâmetros escolhida, a rede neural resultante pode apresentar resultados superiores aos da configuração original na solução do novo problema. A contribuição deste artigo consiste em propôr uma metodologia baseada em técnicas de algoritmos evolutivos para encontrar a melhor combinação de parâmetros de uma arquitetura de rede neural convolucional. Como método de avaliação utilizamos a arquitetura da rede neural LeNet aplicada sobre a base de dados HOMUS. 2. Metodologia A metodologia proposta é apresentada na Figura 1 e consiste de três etapas: escolha da arquitetura CNN, otimização de parâmetros e resultados. Cada uma destas etapas estão descritas nas seções a seguir. Figura 1. Metodologia proposta Base de Dados Este trabalho foi conduzido sobre a base de dados HOMUS [Calvo-Zaragoza and Oncina 2014]. A mesma consiste de amostras de notas musicas manuscritas por 100 músicos, cada músico escreveu o símbolo baseado no seu estilo próprio. As amostras estão divididas em 32 classes diferentes, cada uma representando uma nota símbolo distinto. As amostras são compostas de seus conjunto de traços, a identificação do autor e a classe a qual o símbolo representa. Para que pudêssemos dar continuidade com a metodologia, foi necessário gerar imagens baseado nas amostras da base de dados. Sendo assim, para cada amostra, cada traço foi ligado com o próximo do mesmo conjunto. Para gerar os traços foram utilizados 2 pixeis de espessura. A Figura 2 mostra um exemplo do resultado obtido após esta etapa. Figura 2. Exemplo de imagem gerada. No lado esquerdo temos a representação gráfica da amostra. No lado direito temos a imagem obtida após o processamento.
3 2.2. Arquitetura CNN Neste trabalho foi adotada a rede neural convolucional LeNet [LeCun et al. 1998] que implementa as técnicas de deep learning. Essa arquitetura foi utilizada para resolver a base de dados MNIST que é composta de 60 mil imagens de dígitos manuscritos. Dentre as várias arquiteturas existentes atualmente, esta foi escolhida pela semelhança da origem da base de dados HOMUS e a MNIST. A arquitetura LeNet consiste basicamente em 2 camadas de convolução, cada uma seguida de uma camada de pooling. Logo em seguida, temos as camadas de ativação e uma rede neural artificial completamente conectada. A arquitetura utilizada nesse trabalho consiste em uma LeNet e pode ser visualizada na Figura 3. Figura 3. Implementação da arquitetura LeNet utilizada nesse trabalho Algoritmo Genético Para que possamos compreender melhor esta etapa será subdividida em quatro: geração da população inicial, avaliação, seleção, cruzamento e mutação. Estas etapas estão descritas nas próximas seções População Inicial Em um algoritmo genético, um individuo é representado por um conjunto de genes. Cada um desses genes representa uma característica do individuo e pode ser alterado no processo de mutação e/ou cruzamento. Em especial, neste trabalho, cada individuo representa uma rede neural convolucional e cada gene seus parâmetros. A população inicial possui 18 indivíduos gerados aleatoriamente. Para cada convolução, temos como parâmetro a quantidade de filtros que pode variar de 4 até 56 e o tamanho do kernel que por sua vez pode ser 2, 3, 5 ou 7. No caso das camadas de pooling temos somente o tamanho do kernel que possui o mesmo conjunto finito do kernel da camada de convolução. Para as camadas de ativação temos um conjunto extenso de possibilidades. Seguindo [Gal 2015] para as camadas de dropout os valores permitidos se encontram entre 0,3 e 0,7. Por fim, temos a quantidade de neurônios da camada intermediária da rede neural artificial que foi definido como um valor entre 28 e Avaliação A avaliação de cada indivíduo consiste em treinar a rede representada pelo individuo e testar o modelo obtido. Para todas as redes utilizou-se a função de custo logartimo multiclasse, também chamada de categorical crossentropy, e o otimizador adadelta As redes foram treinadas sob o mesmo numero de iterações.
4 Durante o treino, foram reservados 20% das imagens da base de dados para teste, 60% para treino e os 20% restantes para validação. Todas as separações treino/teste/validação foram realizadas de maneira aleatória Seleção Utilizou-se a abordagem da roleta na seleção dos indivíduos. A quantidade de indivíduos é fixa, isso significa que a roleta simplesmente ordena os indivíduos em uma lista de prioridade que será utilizada durante o processo de cruzamento e de mutação explicados a seguir Cruzamento O cruzamento é realizado com uma taxa de 50% para cada par individuo. Caso um par seja selecionado para realizar o cruzamento, é realizado um cruzamento uniforme demostrado na Figura 4. Só sofre recombinação os genes que resultam em redes neurais convolucionais válidas, ou seja, que permitam processar um volume de entrada em um volume de saída por meio de operações de convolução e pooling. O cruzamento resulta em dois novos indivíduos. Figura 4. Cruzamento realizado entre dois indivíduos selecionados, um representado pela cor verde e outro pela cor azul Mutação O processo de mutação é realizado com uma taxa de 5%. Quando um individuo é selecionado, então cada gene deste indivíduo está sujeito a uma taxa de 30% sofrer uma mutação. A mutação consiste em escolher outro gene da mesma categoria do gene que sofre a mutação, ou seja, se o gene da primeira convolução sofrer mutação, este deve ser substituído por outro gene que represente uma convolução. 3. Resultados Os resultados apresentados nessa Seção seguem a metodologia proposta na Seção 2. O algoritmo genético foi executado por 20 gerações com 18 indivíduos. Os resultados obtidos representam a média de 5 execuções da metodologia proposta por esse trabalho. A Figura 5 mostra a média dos resultados obtidos quando a rede neural foi executada por 10 e 100 iterações. O valor médio das iterações mostra como o método seleciona bons genes para serem levados para as próximas gerações. Temos ainda o valor máximo obtido por meio do método, esse valor representa o valor dos melhores elementos de uma
5 Figura 5. O gráfico da esquerda representa a média de 5 execuções da metodologia proposta utilizando 18 indivíduos, 20 gerações e treinando a LeNet por 10 épocas. O gráfico da direita representa uma única execução algoritmo genético onde a rede é treinada por 100 épocas. dada geração. O valor mínimo (representado em azul), é representado por uma curva polinomial de tendencia. O melhor resultado obtido com 10 iterações possui acurácia de 74,24%. Na primeira convolução, a rede possui 41 filtros e kernel de tamanho 3 e na segunda camada do mesmo tipo, possui 33 filtros e kernel de tamanho 7. Já nas camadas de pooling, os kernels possuem tamanho 2 e 1. Os valores de dropout foram de e Nas camadas de ativação foram utilizadas as funções tangente hiperbólica e sigmóide. Por fim, na camada intermediária da rede neural artificial fez-se uso de 126 neurônio. Com configurações similares, o melhor resultado encontrado com 100 iterações possui acurácia de 81.80%. Na primeira convolução, a rede possui 39 filtros e kernel de tamanho 5 e na segunda camada do mesmo tipo, possui 20 filtros e kernel de tamanho 7. Já nas camadas de pooling, os kernels possuem tamanho 1 e 2. Os valores de dropout foram de e Nas camadas de ativação foram utilizadas as funções tangente hiperbólica e sigmoide. Por fim, na camada intermediada da rede neural artificial fez-se uso de 91 neurônio. [Pereira et al. 2016a] aplicam diferentes arquiteturas de rede neural sobre a base de dados HOMUS. Utilizando a rede neural LeNet, os autores obtiveram acurácia máxima de 79,51%. A metodologia aqui proposta obteve uma media de acertos de 81,80%. 4. Conclusão Neste trabalho, foi apresentada a utilização de algoritmos genéticos com redes neurais convolucionais. O algoritmo evolutivo foi utilizado na busca pela melhor combinação de parâmetros para a rede neural convolucional LeNet classificar a base de dados HOMUS. Os resultados foram obtidos sobre uma média 5 de execuções da metodologia proposta. Ainda, foram realizadas duas outras execuções alterando a quantidade de gerações do algoritmo genético e a quantidade de épocas da rede neural. Os melhores resultados obtidos para 10 épocas tiveram acurácia de 74.24% e para 100 épocas o resultado obtido foi de 81.82%. Como vimos, estes resultados foram melhores do que os obtidos pelos autores de [Pereira et al. 2016a] que utilizando a arquitetura
6 LeNet obtiveram uma acurácia máxima de 79.51%. Os resultados utilizando algoritmos evolutivos foram promissores. Os autores deste artigo acreditam que o método ainda pode ser aprimorado. Outros métodos evolutivos têm mostrado resultados eficientes em buscas. Como trabalhos futuros propomos a utilização de algoritmos genéticos para alterar tanto os parâmetros da rede neural quanto encontrar uma arquitetura arquitetura que seja ótima ou próximo do ótimo de um problema. Referências Calvo-Zaragoza, J. and Oncina, J. (2014). Recognition of pen-based music notation: the homus dataset. In nd International Conference on Pattern Recognition (ICPR), pages IEEE. Chen, H., Dou, Q., Yu, L., and Heng, P.-A. (2016). Voxresnet: Deep voxelwise residual networks for volumetric brain segmentation. Dai, J., He, K., and Sun, J. (2015). Instance-aware semantic segmentation via multi-task network cascades. Gal, Y. (2015). networks. A theoretically grounded application of dropout in recurrent neural Hafemann, L. G. (2014). An analysis of deep neural networks for texture classification. He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems, pages LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11): Lo, S.-C., Lou, S.-L., Lin, J.-S., Freedman, M. T., Chien, M. V., and Mun, S. K. (1995). Artificial convolution neural network techniques and applications for lung nodule detection. IEEE Transactions on Medical Imaging, 14(4): Pereira, R. M., Matos, C. E., Braz, G., Almeida, J., and Paiva, A. (2016a). A deep approach for handwritten musical symbols recognition. WebMedia - 22 Simpósio Brasileiro de Multimídia. In Press. Pereira, R. M., Matos, C. E., Diniz, J. O., Junior, G. B., De Almeida, J. D., Silva, A. C., and de Paiva, A. C. (2016b). Abordagem deep learning para classificaç ao de lesoes mamarias. WIM - XVI Workshop de Informática Médica, pages Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pages 1 9.
Um Estudo sobre Diferente Tipos de Funções de Custo Para Redes Neurais Convolucionais
Um Estudo sobre Diferente Tipos de Funções de Custo Para Redes Neurais Convolucionais Roberto M. Pinheiro Pereira, Lucas Bezerra Maia, Thalles Alencar Silva, Alexandre César P. Pessoa, Geraldo Braz Junior
Leia maisReconhecimento de Modelos de Veículos
Reconhecimento de Modelos de Veículos Fernando Benedito Veras Magalhães January 15, 2018 1 Introdução Em 2017, 2,1 milhões de automóveis, incluindo picapes e furgões, foram vendidos no Brasil. A variedade
Leia maisGoogLeNet - Going Deeper with Convolutions
- Going Deeper with Convolutions Heyde Francielle do Carmo França Prof. Dr. Anderson Soares Instituto de Informática Universidade Federal de Goiás 02 de Dezembro de 2016 1 / 35 Sumário I 1 2 3 2 / 35 3
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
Leia maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
Leia 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 maisRoberto Lotufo Big Data Brasil São Paulo, 23 de junho de 2018
Roberto Lotufo roberto@neuralmind.ai Big Data Brasil São Paulo, 23 de junho de 2018 Classificação dedo falso/dedo vivo Desempenho atual: 200ms Intel I5 99% acurácia LivDet 2015 - Fingerprint Liveness Competition
Leia maisDeep Learning para Classificação de Imagens
Deep Learning para Classificação de Imagens Vinicius Eiji Martins 1, Sylvio Barbon Junior 1 1 Departamento de Computação Universidade Estadual de Londrina (UEL) Caixa Postal 10.011 CEP 86057-970 Londrina
Leia maisRedes Convolucionais Aplicadas em Visão Computacional
Redes Convolucionais Aplicadas em Visão Computacional Marcos José Canêjo Estevão de Azevêdo mjcea@cin.ufpe.br Sumário História Evolução Tipos Aplicações Considerações Finais 2 História Surgiram em 1980
Leia maisSegmentação Automática da Próstata em Imagens de Ressonância Magnética utilizando Redes Neurais Convolucionais e Mapa Probabilístico
Segmentação Automática da Próstata em Imagens de Ressonância Magnética utilizando Redes Neurais Convolucionais e Mapa Probabilístico Jonnison L. Ferreira 1, Giovanni L. F. da Silva 1, Artur B. S. Reis
Leia maisClassificação de Lesões no Cérebro em Imagens de Ressonância Magnética usando SLIC, Particle Swarm Optimization e Convolutional Neural Network
Classificação de Lesões no Cérebro em Imagens de Ressonância Magnética usando SLIC, Particle Swarm Optimization e Convolutional Neural Network Carolina L. S. Cipriano 1, Felipe J. P. de Andrade 1, Jonnison
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.6. Deep Learning 2.6.1. O Problema da Extração de Características
Leia maisJAI 6 - Deep Learning Teoria e Prática
JAI 6 - Deep Learning Teoria e Prática Cristina Nader Vasconcelos Universidade Federal Fluminense CNNs Câmeras estão por toda parte! crisnv@ic.uff.br Aquisição de imagens digitais crisnv@ic.uff.br 3 Representação
Leia maisComposição de música utilizando LSTM
Composição de música utilizando LSTM Alexandre de C. Araújo 12 Nelia Cantanhade Reis 12 André Monteiro 1 1 Departamento de Informática - Universidade Federal do Maranhão(UFMA) Av. dos Portugueses, 1966
Leia maisAvaliação do desempenho das ConvNets na detecção de ovos de esquistossomose PROPOSTA DE TRABALHO DE GRADUAÇÃO
UNIVERSIDADE FEDERAL DE PERNAMBUCO CENTRO DE INFORMÁTICA GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO Avaliação do desempenho das ConvNets na detecção de ovos de esquistossomose PROPOSTA DE TRABALHO DE GRADUAÇÃO
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 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 maisClassificação de espécies de peixe utilizando redes neurais convolucional
Classificação de espécies de peixe utilizando redes neurais convolucional Andre G. C. Pacheco a,1 a Programa de Pós-Graduação em Informática (PPGI), Universidade Federal do Espírito Santo (UFES), Vitória
Leia 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 maisRedes Neurais Convolucionais Aplicadas à Preensão Robótica
Redes Neurais Convolucionais Aplicadas à Preensão Robótica Renata Oliveira, Errison Alves e Carlos Malqui DEE - Pontifícia Universidade Católica do Rio de Janeiro (PUC-Rio), RJ, Brasil renata.garcia.eng@gmail.com
Leia 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 maisRedes Neurais Artificiais
Redes Neurais Artificiais Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Redes Neurais Biológicas 2. Neurônio Artificial 3. Rede Neural Artificial 4. Keras 1 Redes Neurais Biológicas
Leia 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 maisVERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION - VGG
Exemplo de Implementação - 16 VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION - VGG Edjalma Queiroz da Silva Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado
Leia 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 maisUm comparativo entre arquiteturas de redes neurais profundas aplicadas no reconhecimento de imagens
Um comparativo entre arquiteturas de redes neurais profundas aplicadas no reconhecimento de imagens Leandro R. L. Pavão, Tatiana F. M. dos Santos, Carlos O. Rolim Universidade Regional Integrada do Alto
Leia maisRECONHECIMENTO DE 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 maisRECONHECIMENTO DE CARACTERES MANUSCRITOS JAPONESES
UNIVERSIDADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA Holanda RECONHECIMENTO DE CARACTERES MANUSCRITOS JAPONESES PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno: Marconi Emanuel
Leia maisReconstrução 3D com auxílio de segmentações múltiplas
! Universidade Federal de Pernambuco Centro de Informática Graduação em Ciência da Computação Reconstrução 3D com auxílio de segmentações múltiplas Rafael Francisco Cavalcanti Campos Gouveia Proposta de
Leia 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 maisDetecção de pessoas em um ambiente industrial utilizando imagens de profundidade e classificadores profundos
Detecção de pessoas em um ambiente industrial utilizando imagens de profundidade e classificadores profundos Eduardo Henrique Arnold e Danilo Silva Resumo Esse trabalho descreve o desenvolvimento de um
Leia maisANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL
ANÁLISE DE IMAGENS COM DEEP LEARNING MATHEUS VIANA IBM RESEARCH BRASIL IBM RESEARCH NO MUNDO IBM RESEARCH NO MUNDO CIÊNCIA DO COMPORTAMENTO CIÊNCIA DOS MATERIAIS QUÍMICA MATEMÁTICA CIÊNCIA DA COMPUTAÇÃO
Leia maisOrientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local
Orientação de Bordas em Imagens Digitais: Abordagem por Análise de Vizinhança Local Inês Aparecida Gasparotto Boaventura DCCE-IBILCE-UNESP Rua Cristovão Colombo, 2265 15054-000, São José do Rio Preto,
Leia maisFLODNet - Detecção e reconhecimento de objetos em dispositivos de baixa especificação: um estudo de caso em classificação de alimentos
FLODNet - Detecção e reconhecimento de objetos em dispositivos de baixa especificação: um estudo de caso em classificação de alimentos B. A. G. de Oliveira 1, F. M. F. Ferreira 1, and C. A. P. S. Martins
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS FABIO AUGUSTO GONÇALVES FACCINI
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS FABIO AUGUSTO GONÇALVES FACCINI Avaliação de desempenho de uma rede neural convolucional para classificação de imagens ruidosas São Carlos 2018
Leia maisAvaliando Técnicas de Aprendizado Profundo para Detecção de Esquistossomose Mansoni em Imagens de Exames Parasitológicos
Avaliando Técnicas de Aprendizado Profundo para Detecção de Esquistossomose Mansoni em Imagens de Exames Parasitológicos Rodrigo F. A. P. de Oliveira, Milla S. A. Ferro, Bruno J. T. Fernandes e Carmelo
Leia maisDiagnóstico de Leucemia Linfoide Aguda com Redes Neurais Convolucionais Pré-treinadas
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 230-235, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Diagnóstico de Leucemia Linfoide Aguda
Leia mais3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Leia maisRedes Neurais Convolucionais de Profundidade para Reconhecimento de Textos em Imagens de CAPTCHA
Redes Neurais Convolucionais de Profundidade para Reconhecimento de Textos em Imagens de CAPTCHA Vitor Arins Pinto 1 1 Departamento de Informática e Estatística - Universidade Federal de Santa Catarina
Leia 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 maisintrodução ao deep learning
introdução ao deep learning Jeferson de Souza Santos SERFA 2016 IEAv / EGI-S introdução Introdução - Aplicações de Machine Learning - Redes Profundas Figure: Fontes: techli.com; wccftech.com; updateordie.net;
Leia maisRecognition of Pantanal Animal Species using Convolutional Neural Networks
Recognition of Pantanal Animal Species using Convolutional Neural Networks Diogo Nunes Gonçalves, Mauro dos Santos de Arruda, Lucas Abreu da Silva, Reinaldo Felipe Soares Araujo, Bruno Brandoli Machado,
Leia maisSignature verification
Signature verification Thiago Jorge Abdo Departamento de informática Universidade Federal do Paraná Junho, 2018 Sumário 1 Introducao 2 Dificuldades 3 Offline signature verification 4 Online signature verification
Leia 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 maisComputação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Leia maisUm sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV
Um sistema de identificação biométrica utilizando reconhecimento de íris e OpenCV Rodrigo Mendes Garcês 1, Geraldo Braz Júnior 2 1 Laboratório de métodos de otimização e robótica Universidade Federal do
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 maisMapas Auto Organizáveis SOMs Mapas de Kohonen
Mapas Auto Organizáveis SOMs Mapas de Kohonen PSI 2886 Princípios de Neurocomputação Edição de 2008 1 PSI 5886 Prof. Emilio Self Organizing Maps de Kohonen Estes slides foram usados nas aulas #8 e #9 na
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO COORDENADORIA GERAL DE PESQUISA EDITAL PROPESQ/CGP Nº 002/17
EDITAL PROPESQ/CGP Nº 002/17 PROCESSO SELETIVO DE BOLSAS DE INICIAÇÃO EM DESENVOLVIMENTO TECNOLÓGICO E INOVAÇÃO PUC-CAMPINAS GRUPO ENGENHO A PONTIFÍCIA UNIVERSIDADE CATÓLICA DE CAMPINAS PUC-CAMPINAS, por
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisPós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO
Pós-Graduação em Engenharia de Automação Industrial SISTEMAS INTELIGENTES PARA AUTOMAÇÃO AULA 06 Algoritmos Genéticos Sumário Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de
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 mais5 RNA para Diagnóstico de Falhas em Turbinas a Gás
5 RNA para Diagnóstico de Falhas em Turbinas a Gás 5.1. Introdução Neste capítulo, a aplicação de RNAs para diagnosticar as falhas no caminho do gás de turbinas a gás foi investigada. As redes neurais
Leia maisComputação Evolutiva. Computação Evolutiva. Principais Tópicos. Evolução natural. Introdução. Evolução natural
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 1 2 Introdução Evolução natural http://www.formula-um.com/
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 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 maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisObject Tracking. Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional
Object Tracking Fernando Medeiros Dufour Ciência da Computação - UFPR Tópicos em Visão Computacional Índice 1. Introdução a. Problema b. Aplicações c. Dificuldades d. Datasets 2. Redes Neurais Convolucionais
Leia maisAlgoritmo Genético de Dois Níveis para Problemas de
Trabalho apresentado no CNMAC, Gramado - RS, 2016. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Genético de Dois Níveis para Problemas de Otimização Aparecida
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 maisReconhecimento de Caracteres em Imagens com Ruído
Reconhecimento de Caracteres em Imagens com Ruído Sirlene Pio UFOP sirlenepg@gmail.com Fernanda Maria Ribeiro UFOP fernandamaria si@yahoo.com.br Abstract O desempenho dos métodos de aprendizagem de máquina
Leia maisAvaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos
Avaliação de Desempenho de Redes LVQ em Comparação com Redes MLP com Backpropagation na Classificação de Cromossomos Otávio Roberto Martins de Souza UFSC otavio@eps.ufsc.br Silvana Pezzi, M.Eng UFSC spezzi@eps.ufsc.br
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 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 maisALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA
Patrocínio, MG, outubro de 2016 ENCONTRO DE PESQUISA & EXTENSÃO, 3., 2016, Patrocínio. Anais... Patrocínio: IFTM, 2016. ALGORITMO GENÉTICO COMO REPRESENTAÇÃO DAS MUTAÇÕES NA BIOLOGIA Igor Acassio Melo
Leia maisReconhecimento de Gestos
Reconhecimento de Gestos Henrique Augusto Richter Tópicos em Visão Computacional Universidade Federal do Paraná Sumário Introdução Utilização Problemas Trabalhos Artigo 1 Artigo 2 Project Soli Introdução
Leia maisFirst-person activity recognition. Matheus A. Nerone
First-person activity recognition Matheus A. Nerone Sumário 1. 2. 3. Introdução a. Contexto b. Problema c. Exemplos de uso d. Dificuldades Trabalhos Relacionados a. Artigo inicial b. Histórico Artigos
Leia maisRECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E PROGRAMAÇÃO GENÉTICA.
RECONHECIMENTO AUTOMÁTICO DE PADRÕES MUSICAIS UTILIZANDO OPERADORES MORFOLÓGICOS E 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 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 maisDetecção Automática de Tuberculose Utilizando Redes Neurais Convolucionais
Detecção Automática de Tuberculose Utilizando Redes Neurais Convolucionais Gabriel Garcez Barros Sousa 1, Vandecia Rejane Monteiro Fernandes 2 1 Ciência de Computação Universidade Federal do Maranhão (UFMA)
Leia maisSistema de Reconhecimento Facial Baseado em Redes Neurais Convolucionais Profundas com Aplicação no Comércio Varejista
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS Gustavo Henrique Rigamonti Sistema de Reconhecimento Facial Baseado em Redes Neurais Convolucionais Profundas com Aplicação no Comércio Varejista
Leia maisAndré de S. Moreira Caroline Rosa Redlich Suellen de A. C. da S. Motta Thiago R. da Motta Detecção de Pedestres em Vídeos
André de S. Moreira Caroline Rosa Redlich Suellen de A. C. da S. Motta Thiago R. da Motta Detecção de Pedestres em Vídeos Trabalho apresentado na disciplina Aprendizado de Máquina I (INF 2979) ministrada
Leia maisReconhecimento Ótico de Caracteres em Placas Veiculares
Universidade Federal De Pernambuco Centro De Informática Graduação Em Engenharia Da Computação 2012.2 Reconhecimento Ótico de Caracteres em Placas Veiculares Proposta de Trabalho de Graduação Aluno Pedro
Leia maisAprendizagem de Máquina
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 maisRedes Neurais Convolucionais com Tensorflow: Teoria e Prática
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 382-406, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Capítulo 7 Redes Neurais Convolucionais
Leia maisAprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Leia 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 maisALGORITMOS PARA ALINHAMENTO DE IMAGENS MÉDICAS: PRÍNCIPIOS E APLICAÇÃO EM IMAGENS DE ESCLEROSE MÚLTIPLA
ALGORITMOS PARA ALINHAMENTO DE IMAGENS MÉDICAS: PRÍNCIPIOS E APLICAÇÃO EM IMAGENS DE ESCLEROSE MÚLTIPLA Frederico L. Jacob, João Manuel R. S. Tavares, Ana Mafalda Reis Problemática Desenvolver metodologias
Leia maisRevista de Sistemas de Informação da FSMA n. 22 (2018) pp
Revista de Sistemas de Informação da FSMA n. 22 (208) pp. 49-59 http://www.fsma.edu.br/si/sistemas.html Uma Introdução Compreensiva às Redes Neurais Convolucionais: Um Estudo de Caso para Reconhecimento
Leia maisDetecção e Re-mapeamento de Jogadores em um Campo de Futebol
Detecção e Re-mapeamento de Jogadores em um Campo de Futebol Vitor Hugo da Silva Custódio, Sérgio Montazzolli Silva 1 Departamento de Computação Universidade Estadual de Londrina (UEL) Caixa Postal 10.011
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 maisAlgoritmos Genéticos
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Algoritmos Genéticos Aluno: Fabricio Aparecido Breve Prof.: Dr. André Ponce de Leon F. de Carvalho São Carlos São Paulo Maio
Leia maisBrazilian License Plate Character Recognition using Deep Learning
Brazilian License Plate Character Recognition using Deep Learning S. P. Peixoto, G. Cámara-Chávez, D. Menotti Departamento de Computação Universidade Federal de Ouro Preto Ouro Preto, MG, Brazil Email:
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS. Kaio Augusto de Oliveira
UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE SÃO CARLOS Kaio Augusto de Oliveira Avaliação de desempenho de redes neurais convolucionais para classificação de imagens de texturas rotacionadas. São
Leia 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 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 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 mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisClassificação Automática de Gêneros Musicais
Introdução Método Experimentos Conclusões Utilizando Métodos de Bagging e Boosting Carlos N. Silla Jr. Celso Kaestner Alessandro Koerich Pontifícia Universidade Católica do Paraná Programa de Pós-Graduação
Leia maisColor Eyes Detector. Duarte Petiz. DCC/FCUP
Color Eyes Detector Duarte Petiz DCC/FCUP up201204625@fc.up.pt Resumo Este relatório descreve a implementação da aplicação desenvolvida Color Eyes Detector bem como mostra os resultados finais da execução
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia mais1. Computação Evolutiva
Computação Bioinspirada - 5955010-1 1. Computação Evolutiva Prof. Renato Tinós Programa de Pós-Graduação Em Computação Aplicada Depto. de Computação e Matemática (FFCLRP/USP) 2 Computação Bioinspirada
Leia maisAlgoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
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 maisAbordagem a um classificador de dígitos manuscritos baseado em redes neurais
Abordagem a um classificador de dígitos manuscritos baseado em redes neurais David Clifte da Silva Vieira 1, Renata Passos Machado 2 1 Graduando em Engenharia de Telecomunicações IFCE. e-mail: cliftedavid@gmail.com
Leia maisMachine learning para reconhecimento de padrões em tempo real
Machine learning para reconhecimento de padrões em tempo real Felipe Kühne Guilherme Webber Mendes DBLab Laboratório de Inovação DBServer Assessoria em Sistemas de Informação Junho de 2018 Quem somos Felipe
Leia maisPrograma Interdisciplinar de Pós-Graduação em. Computação Aplicada. Mestrado Acadêmico. Uilian Kenedi Lopes
Programa Interdisciplinar de Pós-Graduação em Computação Aplicada Mestrado Acadêmico Uilian Kenedi Lopes Redes Neurais Convolucionais Aplicadas ao Diagnóstico de Tuberculose por meio de Imagens Radiológicas
Leia maisDeep Learning for Chinese Word Segmentation and POS Tagging
Deep Learning for Chinese Word Segmentation and POS Tagging Lin Yu Han Universidade Federal do Paraná Novembro 2015 Tagging: Sumário Sumário Introdução. Arquitetura da Rede Neural Experimentos Considerações
Leia mais