Aplicação de Algoritmos de Visão Computacional para UVAs em Missões de Busca
|
|
- Aurélia Gil
- 5 Há anos
- Visualizações:
Transcrição
1 Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Aplicação de Algoritmos de Visão Computacional para UVAs em Missões de Busca Alcoforado, M. S. Escola Politécnica de Pernambuco Universidade de Pernambuco Recife, Brasil msa@ecomp.poli.br Fernandes, B. J. T. Escola Politécnica de Pernambuco Universidade de Pernambuco Recife, Brasil Resumo Síntese e análise de textura tem uma variedade de aplicações em Visão Computacional, e Processamento de Imagens, como por exemplo recuperação de imagens por imagem (CBIR, Content-Based Image Retrieval). Este trabalho apresenta a aplicação de redes neurais autoassociativas motivadas por teorias a respeito do cérebro humano em tarefas de análise de textura. O objetivo é a implementação do modelo proposto em um Veículo Aéreo Autônomo (UAV, Unmanned Aerial Vehicles). Abstract Texture analysis and synthesis has a variety of applications in Computer Vision and Image Processing, such as image retrieval image (CBIR, Content-Based Image Retrieval). This paper presents the application of autoassociative neural networks motivated by theories about the human brain in tasks of texture analysis. The main purpose is to implement the proposed model in Autonomous Aerial Vehicles (UAV, Unmanned Aerial Vehicles).
2 1 Introdução Veículos aéreos autônomos (UAV, "Unmanned Aerial Vehicles") [1] têm sido aplicados nos mais diferentes contextos objetivando problemas com necessidade de sensoriamento remoto e missões de busca automatizadas. A visão computacional tem sido utilizada para resolver problemas específicos da área como medição de posicionamento relativo [2], pouso [3] e visão cooperativa para construção de mapas únicos a partir de imagens capturadas por vários UAVs [4]. Os avanços das técnicas de processamento de imagens [5] e reconhecimento de padrões [6] formaram a base para o surgimento de novas técnicas e algoritmos de visão computacional. Os UAVs podem então ser beneficiados por tais estudos na construção de métodos de exploração inteligente, vôo com obstáculos e identificação de objetos são possibilitados na plataforma do UAV. Este é o foco de desenvolvimento deste trabalho, que visa à aplicação de técnicas de visão computacional em missões de busca utilizando UAVs. Redes Neurais Artificiais (RNAs) vêm sendo utilizadas para os diversos campos da computação [7], sendo um destes campos a visão computacional, com diversas finalidades, como reconhecimento de padrões, filtros, navegação de robôs, etc. Neste trabalho, a RNA foi utilizada para auxiliar no trabalho de Visão Computacional,na área de Reconhecimento de Texturas, mais especificamente direcionados a UAVs. Matematicamente, para utilização de qualquer filtro em uma imagem, basta que, depois de calculado sua máscara, uma operação de convolução seja realizada entre o sinal da imagem com o sinal do filtro. Feito este processo, uma nova imagem filtrada é retornada. Na equação 1, a fórmula do Filtro de Gabor. Para facilitar sua programação, a regra de Euler deve ser aplicada, como mostrado na equação 2. Este filtro é composto a partir do produto entre uma função gaussiana e uma função harmônica (sinusóide). Nela, temos quatro parâmetros: 2 2 são os desvios padrões que vêm da equação gaussiana, é a freqüência da função harmônica definida sobre a função de gabor e representa a indicação, e nele que se define se o filtro terá um bom resultado ou não, como demonstrado nas fig Análise de Textura Definido o processo da metodologia utilizada para a curva de recall e os detalhamentos sobre utilizadas neste trabalho podem ser analisadas. A Descrição de Textura é tratada em Pedrini [8] e Gonzalez [5] relacionando vários cálculos com bases estatísticas a fim de obter valores das características. Porém, a nível experimental, previamente utilizado à descrição, é preciso demonstrar como funciona o filtro de Gabor, o filtro que foi utilizado para obter uma melhor caracterização das imagens retirando os seus ruídos (Afshang [11]). 2.1 Filtro de Gabor Explorado por Afshang [11], o filtro de Gabor é uma técnica que pode ser utilizada para melhorar o resultado obtido na curva de recall (Zhang [14]). Sua aplicação diminui consideravelmente o ruído na imagem dependendo dos parâmetros nele utilizados. Na fig. 2.b o filtro foi utilizado com os parâmetros corretos. Por outro lado a fig. 2.c teve uma utilização errônea do filtro. Como é possível notar, o primeiro resultado foi muito mais satisfatório que o segundo. A diferença entre eles deve-se a orientação escolhida para cada caso, = / 10 e = / 2 respectivamente. Tais números dados aos parâmetros foram puramente experimentais, já que para algumas imagens essa variação na indicação pode mudar de 316
3 imagem para imagem, assim como os desvios e freqüências. Para os resultados desta pesquisa, foram utilizados os parâmetros: desvios padrões foram fixados em 4 e 20 para x e y respectivamente, freqüência em 20 e indicação em /3 (Afshang, [11]). 1. Máxima Probabilidade: Medida mais simples proposta por Haralick [9], consta na observação do maior valor contido na matriz de coocorrência e é dada pela equação Descritores de Textura Baseados na Matriz de Co-ocorrência Após o estudo sobre o filtro de Gabor, o foco deste trabalho prossegue para seu problema central: a descrição de texturas. Iniciando pelos descritores baseados na matriz de co-ocorrência, propostos por Haralick [9]. Apesar de serem antigos, seus descritores são utilizados como referência em muitas pesquisas recentes que visam à descrição da textura (Abbadeni [10]). Foram propostas mais de 14 propriedades de características, porém Baraldi [13] mostrou que apenas seis eram realmente relevantes. Desses seis, cinco descritores foram programados: Máxima Probabilidade, Contraste, Homogeneidade, Uniformidade e Correlação. Para poder calculá-los, é necessário obter a matriz de co-ocorrência,. Ela é obtida através da freqüência entre tons vizinhos. O armazenamento dessas freqüências é feito como mostrado na fig Contraste: Quando uma imagem apresenta alta freqüência entre tons de cinza altos e baixos possui um alto contraste. Em termos da matriz de coocorrência, quanto há uma alta concentração de elementos em torno da diagonal principal. Seu cálculo é dado pela equação Homogeneidade: Mede a descrição dos pixels. Quanto mais homogênea a textura, maior seu valor de homogeneidade. Essa medida é apresenta uma correlação inversa com o contraste, pois possui maior concentração na diagonal principal da matriz de co-ocorrência e é dada pela equação Segundo Momento Angular ou Uniformidade: Como já dito em seu nome, este descritor mede a uniformidade de uma imagem. Em termos de matriz de co-ocorrência, ela possui seus valores bem distribuídos ao longo da mesma. Sua fórmula é definida pela equação 7. Calculada a matriz G, é necessário realizar sua normalização, dada como mostrado na equação Correlação: Mede a dependência linear entre dois tons de cinza. Valores altos desta característica indicam uma existência linear entre os pares de tons de cinza. É dada pela equação 8. Onde é a soma das frequências entre os tons de cinza. Depois de calculada a Matriz de coocorrência da imagem, a descrição pode ser calculada. Na página seguinte, uma síntese dos descritores estudados, propostos por Haralick [9], com suas respectivas equações: 6. Onde é dado pelas equações
4 2.3 Descritores de Textura Baseados Função de Autocorrelação Em janeiro de 2011, Abbadeni [10] teve o seu artigo publicado, propondo novos descritores de texturas baseados na função de autocorrelação. Dois de seus descritores foram estudados. Porém, antes de começar a tratar sobre os seus descritores, um estudo em cima da função de autocorrelação foi necessário. Sua fórmula é dada pela equação 10. Onde I é a matriz representando os valores de pixels da imagem, 0 < e 0 <. e representam o mapeamento das linhas e colunas da função, respectivamente. Diferentemente da Matriz de Co-ocorrência, que realiza suas operações com relação a frequência entre pixels vizinhos, a Função de Autocorrelação verifica a interação entre regiões. Abbadeni [10] a escolheu por causa de sua periodicidade equivalente e que tem como característica uma lenta diminuição apresentando poucas variações. 1. Rugosidade: De acordo com o Abbadeni [10], a própria função de autocorrelação por si só, já traz informações de rugosidade. A dedução e explicação, disponíveis em seu trabalho, mostram que esta característica depende da quantidade de máximos presentes na função de autocorrelação. É dada pela equação 11. Onde (, ) e (, ) foram obtidos pelo cálculo dos máximos utilizando derivadas parciais em x e y da função de autocorrelação, respectivamente. 2. Ocupação: Possui uma relação inversa com a rugosidade. É calculada a partir do resultado obtido na Rugosidade de uma dada imagem. Seu cálculo é dado pela equação 12. Onde =4, segundo Abbadeni [1], dentre os vários valores testados, este foi o que obteve melhores resultados. 3 Redes Neurais Redes Neurais Artificiais (RNAs) são técnicas computacionais que apresentam um modelo matemático inspirado na estrutura neural de organismos inteligentes e que adquirem conhecimento através da experiência. As redes neurais, ou redes artificiais de neurônios, foram desenvolvidas a partir de uma tentativa de criar em computador, a partir de estudos neurobiológicos, um modelo computacional que simule a estrutura e funcionamento do cérebro humano. Assim como o sistema nervoso é composto por bilhões de células nervosas, a RNA também seria formada por unidades que nada mais são que pequenos módulos que simulam o funcionamento de um neurônio. Estes módulos devem funcionar de acordo com os elementos em que foram inspirados, recebendo e retransmitindo informações. Um neurônio artificial é capaz de um único processamento. Cada entrada recebe somente um tipo de sinal ou informação. Como um neurônio pode possuir várias entradas, então ele pode perceber diferentes sinais. Porém, ligar vários neurônios similares em rede, faz com que (10) o sistema consiga processar mais informações eoferecer mais resultados. Com esse objetivo, cria-se uma rede em camadas, também conhecida como Perceptron Multicamadas (Multilayer Perceptron MLP). Usualmente as camadas são classificadas em três grupos: - Camada de Entrada: onde os padrões são apresentados à rede; - Camadas Intermediárias ou Ocultas: onde é feita a maior parte do processamento, através das conexões ponderadas; podem ser consideradas como extratoras de características; - Camada de Saída: onde o resultado final é concluído e apresentado. A arquitetura de uma rede MLP, também denominada rede Feed Forward de múltiplas camadas, contém pelo menos uma camada intermediária entre as camadas de entrada e de saída. A figura 4 apresenta a arquitetura de uma rede MLP. A propriedade mais importante das redes neurais é a habilidade de aprender em seu ambiente, e com isso melhorar seu desempenho. Isso é feito através de um processo iterativo de ajustes aplicado a seus pesos, o treinamento. O aprendizado ocorre quando a rede neural atinge uma solução generalizada para uma classe de problemas. Como citado anteriormente, o modelo de aprendizado utilizado na MLP, durante a iniciação científica, foi o autoassociativo. 318
5 A escolha do mesmo foi motivada pelo modelo do livro On Intelligence do autor Jeff Hawkins. A desvantagem desse modelo é a alta complexidade computacional que ele possui, devido a quantidade de neurônios e conexões. Por outro lado, as redes neurais autoassociativas são capazes de aprender de modo implícito as características internas dos dados de entrada. Ou seja, elas conseguem aprender certas características pertencentes ao padrão apresentado na entrada sem a necessidade de qualquer conhecimento anterior ou instrução específica. 4 Resultados Obtidos No caso dessa Iniciação Científica, usando as características extraídas das 60 texturas obtidas préviamente, as quais foram divididas cada uma em 16 imagens(figura 5),cada imagem formada por 8 características, resultando em um banco de dados com 960 imagens, foi treinada a Figura 4. Modelo de MLP MLP autoassociativa. Para cada imagem passada, a rede neural foi treinada com a mesma, e todas as outras imagens restantes foram passadas uma por uma como entrada, e obtendo-se a saída de cada uma, foi calculada a distância city-block ( diferença entre a entrada dada e a saída obtida). No livro, Hawkins faz uma argumentação convincente e perspicaz, apresentando um modelo da inteligência humana baseado na análise do funcionamento do neocórtex humano. Segundo o autor, esta região do cérebro responsável pela inteligência tem seu funcionamento baseado na noção de autoassociatividade. Ainda segundo Jeff, o funcionamento da inteligência humana ocorre com base na nossa capacidade de predição de memória, onde armazenamos as informações recebidas pelos nossos sentidos durante o decorrer da nossa vida. Com base em estímulos do meio, e feed-backs interiores, podemos acionar trechos de memória no neocórtex já vividos e com isso criar o que seria a inteligência de saber o que fazer ou pensar para cada situação. Sendo assim, o modelo autoassociativo seria o modelo mais próximo do funcionamento do cérebro humano. 3.1 Rede Neural Autoassociativa No modelo autoassociativo, deseja-se que a entrada passada à rede seja retornada como saída. Logo, a rede neural possui a mesma quantidade de neurônios na camada de entrada e na camada de saída. As redes autoassociativas buscam aprender a constituição interna de uma dada classe de padrões com base apenas nos elementos que a compõem. Nos padrões autoassociativos, poucas camadas intermediárias são usadas, filtrando, assim, as informações mais relevantes. Logo após, os resultados foram ordenados pelo de menor distância entre entrada e saída e o recall, número de imagens corretas retornadas dividido pelo número total de imagens corretas, de cada imagem foi calculado e dividido por 960 com o propósito de encontrar a tava média de recall entre todas as imagens. Com a taxa média de recall foi analisado o quanto a MLP autoassociativa conseguiu distinguir as texturas. Os treinos foram feitos passando-se as características de três formas: todas as 8 de uma vez, de 7 em 7 e de 1 em 1. Os valores do recall foram armazenados a cada 4 imagens testadas. Os resultados obtidos mais relevantes, utilizando um fator de aprendizado de 0.2, podem ser vistos nas Tabelas 1,2 e 3. Como se pôde observar, quando se testou a rede neural introduzindo como entrada todas as características de uma vez, o melhor resultado ocorreu com um recall médio de 18,04%. Notase também que os melhores resultados foram 319
6 obtidos à medida que se aumentou a quantidade de camadas ocultas. Os resultados notados na Tabela 2 demonstram que ao passar apenas uma característica de cada vez, a rede neural autoassociativa apresentou um melhor desempenho em comparação com o teste que recebeu todas as 8 características, consequência que será analisada em estudos futuros. Não se observa diferenças significantes entre a os valores da Tabela 1 e a Tabela 3, mas, ao passar todas as 8 características como entrada, ainda obteve-se resultados superiores. 320
7 Referências [1] A. Ollero e L. Merino, "Control and perception techniques for aerial robotics," Annu. Revs. Contr., vol. 28, no. 2, pp , [2] O. Amidi, T. Kanade, e K. Fujita, "A visual odometer for autonomous helicopter flight," Robot. Autonom. Syst., vol. 28, no. 2, pp , [3] S. Saripalli, J.F. Montgomery, e G.S. Sukhatme, "Visually guided landing of na unmanned aerial vehicle," IEEE Trans. Robot. Automat., vol. 19, no. 3, pp , [4] L. Merino, J. Wilklund, F. Caballero, A. Moe, J. Dios, P-E Forssén, K. Nordberg, e A. Ollero, "Vision-Based Multi-UAV Position Estimation," IEEE Robotics & Automation Magazine, pp , [5] R. C. Gonzalez e R. E. Woods, "Processamento de Imagens Digitais," 3.Ed. São Paulo: Pearson Prentice Hall, [6] R. O. Duda e P. E. Hart, "Pattern Classification and Scene Analysis," New York: Wiley, [7] acesso em 14 de setembro de [8] Pedrini, H. e Schwartz, W. R. (2008) Análise de Imagens Digitais Princípios, Algoritmos e Aplicações. [9] Haralick, R. e Shapiro, L. G. (1993) Computer and Robot Vision, Vol. 2, Addison- Wesley, Reading, MA, Estados Unidos. 5 Conclusão Com os dados e as análises feitas neste trabalho, compreende-se que a MLP autoassociativa não rendeu resultados com um nível bom o suficiente para ser implementado em UAVs quando treinadas para reconhecer texturas. Como trabalhos futuros, serão realizados estudos mais aprofundados sobre técnicas para escolha dos padrões utilizados no treinamento das redes neurais, como taxa de aprendizado, quantidade de camadas ocultas, pesos, entre outros, a fim de obter um melhor resultado.a forma sugerida para melhorar a busca pela configuração ótima da rede é através do algoritmo genético[15] ou,até mesmo, o uso do PSO(Particle Swarm Optimization)[16]. [10] Abbadeni, N. (2011) Computacional Perceptual Features for Texture Representation and Retrieval, In: IEEE Transactions on Image Processing. [11] Afshang, M., Helfroush, M.S. e Zahernia, A., (2009) Gabor Filter Parameters Optimization for Texture Classification Based on Genetic Algorithm IEEE, In: Machine Vision, ICMV. [12] Aigrain, P., Zhang, H., e Petkovic, D. (1996) Content-based representation and retrieval of visual media: A review of the stateof- the-art Multimed. Tools Appl. 3, 3, [13] Baraldi, A. e F. Parmiggiani, An investigation of the textural characteristics 321
8 associated with grey level co-occurrence matrix statistical parameters, IEEE Trans. Geosci. Remote Sensing, Vol. 33, 2, pp [14] Zhang, J., e Ye, L. (2009) "Ranking Method for Optimizing Precision/Recall of Content-Based Image Retrieval" In: Ubiquitous, Autonomic and Trusted Computing, UICATC '09. Symposia and Workshops on. pp [15] %A9tico. Último acesso em 14 de setembro de [16] imization. Último acesso em 14 de setembro de
Recuperação de Imagens baseadas na textura
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Recuperação de Imagens baseadas na textura Yamashita, B. H. M. Escola Politécnica de Pernambuco Universidade de Pernambuco 50.720-001
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture
CLASSIFICAÇÃO DE PADRÕES EM IMAGENS UTILIZANDO DESCRITORES DE TEXTURA Pattern Classification in Images Using Descriptors of Texture 1 e Sandro Roberto Fernandes 2 Resumo: Nesta pesquisa foi desenvolvido
CLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA
XI Simpósio de Mecânica Computacional II Encontro Mineiro de Modelagem Computacional Juiz De Fora, MG, 28-30 de Maio De 2014 CLASSIFICAÇÃO DE PADRÕES UTILIZANDO DESCRITORES DE TEXTURA Weiner Esmerio Batista
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO. Prof. Yandr re Costa - 1. Prof. Yandre Costa.
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandr re Costa - 1 Textura Prof. Yandre Costa Prof. Yandr re Costa - 2 Textura é um importante atributo visual
Reconhecimento 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
RECONHECIMENTO 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
Textura. Textura 04/09/2014. Prof. Yandre Costa
UNIVERSIDADE ESTADUAL DE MARINGÁ PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO Prof. Yandre Costa - 1 Prof. Yandre Costa Prof. Yandre Costa - 2 é um importante atributo visual presente em imagens,
Aprendizado 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
Processamento de Imagens Termais Aplicado à Navegação Autônoma. Wanessa da Silva
Processamento de Imagens Termais Aplicado à Navegação Autônoma Wanessa da Silva Outubro, 2016 Introdução Roteiro Métodos Imagens Utilizadas Resultados Considerações Finais 1. Introdução 2. Métodos 4. Imagens:
REDES 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
3 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
Processamento de Imagens. Texturas
Processamento de Imagens Texturas Exemplos Introdução Texturas Não existe abordagem formal Não existe definição formal São definidas qualitativamente e não há consenso quanto a sua definição quantitativa
Desenvolvimento de uma ferramenta computacional para classificação de padrões em imagens
Desenvolvimento de uma ferramenta computacional para classificação de padrões em imagens Everton Franco Teixeira 1, Sandro Roberto Fernandes 2 1 Instituto Federal de Educação, Ciência e Tecnologia do Sudeste
IDENTIFICAÇÃO DAS ESTRUTURAS DE TECIDOS PLANOS ATRAVÉS DA CÂMERA DE SMARTPHONE
IDENTIFICAÇÃO DAS ESTRUTURAS DE TECIDOS PLANOS ATRAVÉS DA CÂMERA DE SMARTPHONE Identificação das estruturas de tecidos planos através da câmera de smartphone Pimentel, Juliana Rangel de Morais; Me; Instituto
Usando 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,
Visão 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
Redes 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
SEMINÁRIO 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
Classificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência
Classificação de Texturas Invariante a Rotação Usando Matriz de Co-ocorrência Rodrigo Hajime Ito, Hae Yong Kim, Walter Jaimes Salcedo Dept. Eng. Sistemas Eletrônicos, Escola Politécnica Universidade de
PRINCÍPIOS DE NEUROCOMPUTAÇÃO
PRINCÍPIOS DE NEUROCOMPUTAÇÃO Neurocomputação Funcionamento do cérebro humano e os neurônios Formação das conexões e como se concebe teoricamente a aquisição do conhecimento, formalizando-os em procedimentos
Inteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
O 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
RECONHECIMENTO 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
Auto-Fusão na Recuperação de Imagens Baseadas em Conteúdo.
Auto-Fusão na Recuperação de Imagens Baseadas em Conteúdo. Severino Jr, Osvaldo IMES - FAFICA osvaldo@fafica.br Gonzaga, Adilson Escola de Engenharia de São Carlos - USP adilson@sc.usp.br Resumo Neste
Redes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Fundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Detecção 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
MÉTODO PARA CLASSIFICAÇÃO DE IMAGENS BASEADA EM MATRIZES DE CO-OCORRÊNCIA UTILIZANDO CARACTERÍSTICAS DE TEXTURA
MÉTODO PARA CLASSIFICAÇÃO DE IMAGENS BASEADA EM MATRIZES DE CO-OCORRÊNCIA UTILIZANDO CARACTERÍSTICAS DE TEXTURA William Robson Schwartz 1 Hélio Pedrini 2 1 Universidade Federal do Paraná william@pet.inf.ufpr.br
Descritores 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
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU
UNIVERSIDADE FEDERAL DE UBERLÂNDIA UFU PLANO DE TRABALHO EM INICIAÇÃO CIENTÍFICA Desenvolvimento e aplicação de um modelo gravitacional simplificado para análise de texturas coloridas. Uberlândia 30/04/2014
RECONHECIMENTO 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
Extração 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
Tópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
TÓPICOS 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
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Redes 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
Classificação de Imagens de Satélite Utilizando Descritores de Textura
Classificação de Imagens de Satélite Utilizando Descritores de Textura Weiner E. B. Oliveira, Sandro R. Fernandes Departamento Acadêmico de Educação e Tecnologia Núcleo de Informática Instituto Federal
Extração 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
IDENTIFICAÇÃO 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
Processamento de Imagem. Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres
Processamento de Imagem Convolução Filtragem no Domínio da Frequência (Fourier) Professora Sheila Cáceres Lembrando Filtragem Correlação A correlação e a convolução sãos dois conceitos relacionados a filtragem.
Computação Bioinspirada. Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho)
Computação Bioinspirada Prof. Eduardo R. Hruschka (Slides baseados nos originais do Prof. André C. P. L. F. de Carvalho) 1 Principais tópicos Computação Bioinspirada Computação Biológica Biologia Computacional
Estudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Desenvolvimento da Ferramenta de Auxílio ao Diagnóstico Médico
49 Capítulo 8 Desenvolvimento da Ferramenta de Auxílio ao Diagnóstico Médico Está em desenvolvimento, dentro do Grupo de Visão Computacional do Departamento de Engenharia Elétrica da EESC-USP, uma Ferramenta
Image Descriptors: texture
Image Descriptors: texture 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: texture 2011 1 / 28 Agenda
Processamento de Imagem. Filtragem no Domínio Espacial Professora Sheila Cáceres
Processamento de Imagem Filtragem no Domínio Espacial Professora Sheila Cáceres Filtragem A filtragem de imagens pode ser realizada no domínio do espaço e da frequência Operadores de filtragem são classificados
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.
CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento
Inteligência Artificial
Inteligência Artificial Professor Rafael Stubs Parpinelli E-mail: rafael.parpinelli@udesc.br udesc.academia.edu/rafaelstubsparpinelli www.researchgate.net/profile/rafael_parpinelli www.joinville.udesc.br/portal/professores/parpinelli/
Redes Neurais Artificiais
Redes Neurais Artificiais Aplicações em Telecomunicações Prof. João Marcos Meirelles da Silva, D.Sc. Professor Adjunto II do Departamento de Engenharia de Telecomunicações Universidade Federal Fluminense
INTELIGÊNCIA 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
Extração 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
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber
Mineração 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
Redes 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
Extração de características: textura
Extração de características: textura Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti (ICMCUSP) Extração de características: textura
Minicurso: 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
Introdução 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)
Aprendizagem 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
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Redes 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
8 Conclusões e Trabalhos Futuros
8 Conclusões e Trabalhos Futuros Este trabalho propôs investigar o apoio das técnicas de Inteligência Computacional no desenvolvimento da Nanociência e Nanotecnologia. Tal apoio é aqui denominado de Nanotecnologia
DETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV
DETECÇÃO DE CORES DE SOLUÇÕES QUÍMICAS PARA PESSOAS COM NENHUMA OU BAIXA VISÃO UTILIZANDO OPENCV Autor (1) Jéssica Fernandes Alves; Orientador (4) Suzete Élida Nóbrega Correia (1) Instituto Federal de
João Paulo Ribeiro do Nascimento Heraldo Maciel França Madeira Hélio Pedrini. Keywords: texture, co-occurrence matrix, image classification.
CLASSIFICAÇÃO DE IMAGENS UTILIZANDO DESCRITORES ESTATÍSTICOS DE TEXTURA João Paulo Ribeiro do Nascimento Heraldo Maciel França Madeira Hélio Pedrini Universidade Federal do Paraná Departamento de Informática
SISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS
SISTEMA DE EXTRAÇÃO E SELEÇÃO DE ATRIBUTOS EM IMAGENS Flávia Gonçalves Fernandes, João Ludovico Maximiano Barbosa, Ana Cláudia Patrocínio Universidade Federal de Uberlândia - UFU Faculdade de Engenharia
5 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
USO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC
USO DE TÉCNICAS DE SEGMENTAÇÃO NA ANÁLISE DE IMAGENS DE TOMOGRAFIA COMPUTADORIZADA DE PULMÕES COM DPOC 1 2 3 Fausta Joaquim Faustino, Álisson Gomes Linhares, John Hebert Da Silva Felix Resumo: O uso das
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1
COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida
Previsão de consumos a curto prazo
Previsão de consumos a curto prazo Cláudio Monteiro Distribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) O que são? são técnicas computacionais que apresentam um modelo matemático inspirado
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM)
O Algoritmo de Treinamento: Máquina de Aprendizado Extremo (Extreme Learning Machine - ELM) Thiago Henrique Cupertino SCE5809 - Redes Neurais 23 de Novembro de 2010 Conteúdo Introdução Desvantagens do
Classificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Implementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Tópicos 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
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais
UNIVERSIDADE FEDERAL DE LAVRAS DEPARTAMENTO DE CIÊNCIAS EXATAS (DEX) Orientador: Prof. Fabiano Lemes Ribeiro Estudo de Algoritmos de Aprendizado em Redes Neurais Artificiais Nome: João Vitor Squillace
Estimativa de Posição 3D de Obstáculos para VANTs
Estimativa de Posição 3D de Obstáculos para VANTs Rodolfo Barros Chiaramonte, Kalinka Regina Lucas Jaquie Castelo Branco Institute of Mathematics and Computing Sciences (ICMC) University of São Paulo (USP),
Reconhecimento 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
Caracterização 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
Aprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS
SELEÇÃO DE VARIÁVEIS STEPWISE APLICADAS EM REDES NEURAIS ARTIFICIAIS PARA PREVISÃO DE DEMANDA DE CARGAS ELÉTRICAS MARLEIDE F. ALVES 1, ANNA DIVA P. LOTUFO 1, MARA LÚCIA M. LOPES 2 1. Laboratório de Sistemas
Processamento 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
Desenvolvimento 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
Rede 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
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais
Transformação de Imagens Digitais em Código CNC Aprimoradas com Redes Neurais Artificiais Abstract. Jader Teixeira 1, Alex Vinícios Telocken 1 1 Universidade de Cruz Alta (UNICRUZ) jader033139@unicruz.edu.br,
HP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
FILTRAGEM DE IMAGEM NO DOMÍNIO ESPACIAL (Operações aritméticas orientadas à vizinhança)
PROCESSAMENTO DE IMAGEM #5 Operações Aritméticas Orientadas à Vizinhanças Filtragem no Domínio Espacial (Máscaras) Máscaras de suavização (média e mediana) e aguçamento (laplaciano) Correlação x Convolução
Computaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
Máquinas 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,
Bruna Galle UPE Ecomp Mêuser Valença UPE Ecomp
Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões
Métodos 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
Redes 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
7 Extração de Dados Quantitativos
Capítulo 7 - Extração de Dados Quantitativos 119 7 Extração de Dados Quantitativos A técnica de medição desenvolvida e descrita nos capítulos anteriores produz como resultado a variação temporal da espessura
Fusão de Atributos para Segmentação de Couro Bovino
Fusão de Atributos para Segmentação de Couro Bovino Lia Nara Balta Quinta. Grupo de Pesquisa em Engenharia e Computação, GPEC Universidade Católica Dom Bosco, UCDB Av. Tamandaré, 6000 - Jardim Seminário
UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3
CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3 1 CEPSRM - Centro Estadual de Pesquisa em Sensoriamento Remoto
Análise 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],
"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:
EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq ( )
USP UNIVERSIDADE DE SÃO PAULO EP ESCOLA POLITÉCNICA EXTRAÇÃO SEMI - AUTOMÁTICA DE FEIÇÕES LINEARES E A CALIBRAÇÃO DOS PARÂMETROS INTRÍNSECOS DE CÂMERAS Projeto de Pesquisa PIBIC/CNPq (2000-2001) LEONARDO
Autor: Edroaldo Lummertz da Rocha Home page: edroaldo.wordpress.com
Autor: Edroaldo Lummertz da Rocha Home page: edroaldowordpresscom E-mail: edroaldo@gmailcom Esse tutorial visa demonstrar de forma prática o processo de ajuste dos pesos sinápticos de uma rede neural artificial
Redes Neurais INTELIGÊNCIA ARTIFICIAL
Redes Neurais INTELIGÊNCIA ARTIFICIAL 1 2 Introdução As redes neurais são um tema da computação altamente inspirada na natureza que nos cerca. Durante anos e anos os homens trabalharam para fazer computadores
Processamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas