Diagnóstico Automático de Glaucoma em Imagens de Retinografia baseado no CDR usando U-Net
|
|
- Raphaella de Abreu Benevides
- 5 Há anos
- Visualizações:
Transcrição
1 Diagnóstico Automático de Glaucoma em Imagens de Retinografia baseado no CDR usando U-Net Nelia Cantanhede Reis 1, Alexandre César Pinto Pessoa 2, Alexandre de Carvalho Araújo 1 João Dallyson Sousa de Almeida 1, Anselmo Cardoso de Paiva 1 1 Núcleo de Computação Aplicada (NCA), Universidade Federal do Maranhão (UFMA) Caixa Postal São Luís MA Brasil 2 Instituto de Matemática e Estatística Universidade de São Paulo (IME-USP) Caixa Postal São Paulo SP Brasil {nelia.reis,jdallyson,alexandrearaujo}@nca.ufma.br, {alexandre.pessoa0707,anselmo.c.paiva}@gmail.com Abstract. Glaucoma is an ocular disease that affects the optic nerve, and may lead to blindness in case it is not diagnosed early. The most utilized procedure for glaucoma diagnosis is the Retinography, which allows the retina, optic nerve and eye fundus to be observed and photographed. The main objective of this work was the development of an automatic glaucoma diagnosis method for retinography images based on the CDR, focusing on the segmentation of the optic disc and the optic cup, where two convolutional neural networks were used to perform the segmentation. The segmentation step was shown to be effective, obtaining a Dice score of 94.1% for the optic disc, and 87.4% for the optic cup. On the CDR computation step, the diagnosis reached an Accuracy of 88.7%, Sensitivity of 94.0% and a Specificity of 53.3%. Resumo. O glaucoma é uma doença ocular que afeta o nervo óptico, e pode levar a cegueira caso não seja diagnosticada com antecedência. O exame mais utilizado para o diagnóstico do glaucoma é a Retinografia. O objetivo principal deste trabalho foi o desenvolvimento de um método para o diagnóstico automático de glaucoma em imagens de retinografia baseado no CDR, com ênfase nas etapas de segmentação das regiões do disco óptico e cavidade, onde utilizou-se duas redes neurais convolucionais para realizar as segmentações. A etapa de segmentação mostrou-se eficaz, obtendo um Dice score de 94.1% para o disco óptico, e de 87.4% para a cavidade. Na etapa do cálculo do CDR, o diagnóstico alcançou 88.7% de Acurácia, 94.0% de Sensibilidade e 53.3% de Especificidade. 1. Introdução Glaucoma é uma neuropatia óptica progressiva que causa danos estruturais irreversíveis ao nervo óptico, causando redução do campo visual. Estima-se que o número de casos mundiais da doença seja de 64,3 milhões, e é previsto que esse número aumente para 76 milhões em 2020, e que fique próximo dos 112 milhões em 2040, devido ao envelhecimento da população mundial [Tham et al. 2014].
2 Como os danos causados por esta patologia são progressivos e irreversíveis, ela eventualmente leva a perda total da visão. Por conta disso, essa doença é uma das principais causas de cegueira, com aproximadamente 5,2 milhões de casos no mundo, com a previsão de aumentar para 11,2 em 2020 [Quigley and Broman 2006]. Um dos exames médicos mais utilizados para o diagnóstico de glaucoma é a Retinografia (Fotografia de Fundo de Olho). O diagnóstico é feito a partir de uma análise e interpretação visual. Uma dessas análises consiste na localização da região do disco óptico (DO), da cavidade do disco óptico (CDO), que é uma região mais interna do disco, e na delimitação das bordas dessas duas regiões. Um dos indicadores da presença de glaucoma é o aumento da região da cavidade. Esse aumento pode ser percebido através do Cup-to-Disc Ratio (CDR), que é a razão entre os diâmetros verticais do disco e de sua cavidade [Almazroa et al. 2015]. O processo de segmentação manual das regiões do disco de sua cavidade e o cálculo do CDR são tarefas subjetivas que requerem bastante tempo, levando aproximadamente 8 minutos para serem efetuadas por avaliadores experientes [Lim et al. 2015]. Neste contexto este trabalho propõe um novo método computacional para diagnosticar o glaucoma em imagens de retinografia, focando nas tarefas de segmentação automática das regiões do disco óptico e da cavidade do disco óptico, além de calcular o CDR para efetuar o diagnóstico. 2. Materiais e Método As etapas utilizadas no método proposto para efetuar o diagnóstico automático de glaucoma em retinografias são apresentadas na Figura 1. Primeiramente é apresentada a base de imagens de retinografias utilizada neste trabalho. Em seguida, cada etapa que compõem o método proposto é detalhada. Por fim, são apresentadas as métricas utilizadas para a avaliação do método proposto. Figura 1. Sequência de etapas do método proposto. A base de imagens de retinografia utilizada neste trabalho foi a base pública DRISHTI-GS1 [Sivaswamy et al. 2014]. As imagens desta base foram adquiridas e marcadas no hospital Aravind, em Madurai, Índia. Consiste em 101 imagens, sendo 31 imagens de retina saudáveis e 70 imagens de retinas com glaucoma. Para cada imagem, a base possui os valores de CDR calculados a partir das marcações dos 4 especialistas, assim como o diagnóstico de cada retinografia (normal ou glaucomatoso). A Figura 2 ilustra um exemplo de uma imagem de fundo de olho da base DRISHTI, assim como as suas respectivas máscaras para o DO e a CDO.
3 (a) (b) (c) Figura 2. Imagem da base DRISHTI e suas respectivas ma scaras para DO e CDO. Em (a) Imagem de fundo de olho, em (b) Marcac a o do DO e em (c) Marcac a o da CDO. Na etapa de pre -processamento recortou-se uma regia o de interesse (ROI, do ingle s Region of Interest). O processo seguinte e a conversa o da imagem para o modelo de cor L*a*b* [Hunter 1958], e enta o e aplicado o CLAHE no canal L da imagem convertida, para melhorar o contraste no canal de lumina ncia da imagem [Zhou et al. 2017]. Apo s a equalizac a o do histograma, a imagem e convertida novamente para RGB, e e redimensionada para a resoluc a o de 256x256 pixels. A pro xima etapa da metodologia e a segmentac a o do DO, utilizando uma CNN que foi treinada para este fim. A arquitetura da CNN utilizada foi a U-Net [Ronneberger et al. 2015]. Ela e uma rede completamente convolucional utilizada para a segmentac a o de regio es especı ficas em imagens. A Figura 3 ilustra a arquitetura da CNN utilizada para a segmentac a o do DO. Nessa Figura, cada reta ngulo representa uma camada, onde a seta ligada a cada um representa o tipo da camada, e o nu mero acima representa o nu mero de filtros de cada camada. A rede recebe os 3 canais de uma imagem de fundo de olho preprocessada pela etapa anterior como entrada, e depois sa o aplicadas duas camadas de convoluc a o sucessivas, com kernel 3x3. Cada camada de convoluc a o e seguida por uma Rectified Linear Unit [Krizhevsky et al. 2012], ou ReLu. As camadas redutoras sa o seguidas por uma operac a o de Max Pooling com tamanho de kernel 2x2, que reduz a resoluc a o dos mapas de caracterı sticas recebidos pela metade. Com a ma scara bina ria gerada, o pro ximo processo envolve utilizar essa ma scara para segmentar o DO na imagem, e utilizar o canal G do resultado como entrada para a etapa seguinte. Para a segmentac a o da CDO, a imagem de entrada e redimensionada para 128x128, e depois ela e enviada a uma outra CNN que foi treinada especificamente para a segmentac a o da CDO. As u nicas diferenc as dessa rede para a rede utilizada na etapa anterior sa o a quantidade de mapas de caracterı sticas. Como e utilizado apenas o canal G, a camada de entrada possui apenas um mapa de caracterı sticas, e como a segmentac a o da CDO e uma tarefa mais complexa, optou-se por utilizar a arquitetura original da U-Net, onde a cada operac a o de Max Pooling, o nu mero de filtros aplicados em cada camada dobra; e a cada operac a o de Upsampling, a quantidade de mapas de caracterı stica e reduzida pela metade. Com ambos disco e cavidade segmentados, suas ma scaras bina rias sa o utilizadas na etapa final do me todo proposto. A etapa final do me todo proposto e o ca lculo do CDR a partir das ma scaras
4 Figura 3. Arquitetura da rede utilizada para segmentação do DO. binárias do DO e da CDO geradas pela etapa descrita na subseção anterior. Sendo o CDR a razão dos diâmetros verticais das regiões da cavidade pelo disco. A partir desse valor, é dado um diagnóstico. Os seguintes limiares foram determinados, se um exame possuir um CDR menor que 0.50, ele é considerado saudável, caso contrário, ele é considerado glaucomatoso [Tatham et al. 2013]. 3. Resultados e Discussão A avaliação do método proposto para segmentação foi feita através das métricas de Sensibilidade, Precisão, Dice score (CSD) e o Índice de Jaccard (IoU, do inglês Intersection over Union). Utilizou-se a validação cruzada com 5 folds (divisões). Uma dessas divisões é separada para avaliar o desempenho da rede com base nas métricas citadas anteriormente, enquanto o resto é utilizada para treinar a CNN. A Tabela 1 apresenta os resultados obtidos na etapa de segmentação do DO e da CDO. São apresentados os resultados individuais para cada Fold (divisão), bem como a média e o desvio padrão dos valores obtidos em cada métrica. Os valores dos índices de Precisão e Sensibilidade se mantiveram consistentemente altos durante todas as divisões, o que indica que uma grande parte das regiões segmentadas pelo método vão pertencer a região desejada, além de garantir que boa parte da região do DO vai ser segmentada pela rede. Como a Precisão e Sensibilidade foram consideravelmente altos, os valores do CSD e IoU também foram satisfatórios. Indicando que o método foi capaz de segmentar o DO. Essa ideia é reforçada ainda mais pelo fato do desvio padrão ser consistentemente baixo para todas as métricas, o que mostra que não ocorreu sobre-ajuste, isto é, a rede não se ajustou fortemente para as instâncias de treino. No desempenho obtido na etapa de segmentação da CDO, o Dice score alcançado foi satisfatório, com um desvio padrão de 1.7%. É perceptível que houve uma variação, com os menores valores sendo 78.3% e 85.8% e os maiores 90.7% e 91.9% para Precisão e Sensibilidade, respectivamente. Podemos observar que a arquitetura utilizada pelo
5 método proposto foi consideravelmente consistente. Tabela 1. Resultados para a segmentação do DO e da CDO. Fold Precisão Sensibilidade Dice score Índice de Jaccard DO CDO DO CDO DO CDO DO CDO Fold % 90.7% 93.9% 85.8% 95.1% 88.3% 90.7% 79.1% Fold % 88.4% 96.7% 89.0% 93.7% 88.7% 88.2% 79.7% Fold % 86.9% 89.7% 93.2% 92.6% 89.0% 86.3% 80.2% Fold % 82.5% 97.1% 91.9% 95.1% 87.0% 90.7% 77.0% Fold % % 90.6% 93.9% 84.1% 88.5% 72.6% Média 94.0% 85.3% 94.4% 90.1% 94.1% 87.4% 89.9% 77.7% Desvio Padrão 1.6% 4.4% 2.4% 2.5% 0.8% 1.7% 1.5% 2.7% Como não se sabe a orientação na qual a imagem de fundo de olho foi adquirida, não se pode determinar exatamente o que seria o diâmetro vertical das regiões do DO e CDO [Mittapalli and Kande 2016]. Foram calculados os valores de CDR da maneira descrita anteriormente nas máscaras binárias geradas pelos especialistas disponíveis na base utilizada, e esses valores foram comparados com as medidas encontradas pelo método proposto. Esses testes foram efetuados em 5 folds de 20 imagens de teste diferentes. A Tabela 2 apresenta os resultados obtidos nesta etapa final. Considerando que o desvio médio do cálculo do CDR entre os especialistas da base DRISHTI foi de 0.12 [Sivaswamy et al. 2014], o cálculo automático do CDR não se diferiu muito da medida calculada nas máscaras geradas pelos especialistas. Tabela 2. Desempenho do cálculo do CDR e diagnóstico automático Fold Erro médio do CDR Acurácia Sensibilidade Especificidade Fold % 92.8% 50.0% Fold % 100.0% 50.0% Fold % 92.8% 50.0% Fold % 100.0% 50.0% Fold % 84.6% 66.6% Média % 94.0% 53.3% Desvio Padrão % 5.7% 23.2% O diagnóstico automático alcançou uma Acurácia média de 88.7%, com dois dos casos de teste chegando a alcançar 93.7%. A sensibilidade teve uma média de 94.0%, isso significa que o método teve um grande desempenho para diagnosticar as imagens consideradas glaucomatosas. Já a Especificidade não teve um bom desempenho alcançando uma média de apenas 53.3%, ou seja, não foi eficiente para diagnosticar as imagens que eram saudáveis, isso pode ser atribuído aos casos onde a segmentação da cavidade não foram satisfatórios. Vale ressaltar que existem várias instâncias presentes na base DRISTHI onde vários diagnósticos obtiveram valores de CDR não condizentes [Tatham et al. 2013]. 4. Conclusão Este trabalho apresentou um método para a detecção automática de glaucoma em imagens de retinografias baseado no CDR. O método proposto utilizou técnicas de processamento de imagens. O foco deste trabalho foi na utilização de redes neurais convolucionais para a segmentação das regiões do disco óptico e cavidade, cujas máscaras binárias
6 geradas foram utilizadas para o cálculo do CDR. A etapa de segmentação obteve resultados satisfatórios tanto para o DO quanto para a CDO, já para diagnóstico baseado no CDR, ainda há espaços para melhorias. Assim, sugere-se explorar outras técnicas de préprocessamento, utilizando outros modelos de representação de cor, como o HSV. Também indica-se a utilização de mais bases de imagens para treinamento da rede. Referências Almazroa, A., Burman, R., Raahemifar, K., and Lakshminarayanan, V. (2015). Optic disc and optic cup segmentation methodologies for glaucoma image detection: a survey. Journal of ophthalmology, Hunter, R. S. (1958). Photoelectric color difference meter. J. Opt. Soc. Am., 48(12): Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Pereira, F., Burges, C. J. C., Bottou, L., and Weinberger, K. Q., editors, Advances in Neural Information Processing Systems 25, pages Curran Associates, Inc. Lim, G., Cheng, Y., Hsu, W., and Lee, M. L. (2015). Integrated optic disc and cup segmentation with deep learning. In 2015 IEEE 27th International Conference on Tools with Artificial Intelligence (ICTAI), pages Mittapalli, P. S. and Kande, G. B. (2016). Segmentation of optic disk and optic cup from digital fundus images for the assessment of glaucoma. Biomedical Signal Processing and Control, 24(Supplement C): Quigley, H. A. and Broman, A. T. (2006). The number of people with glaucoma worldwide in 2010 and British Journal of Ophthalmology, 90(3): Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical Image Computing and Computer-Assisted Intervention, pages Springer. Sivaswamy, J., Krishnadas, S., Joshi, G. D., Jain, M., and Tabish, A. U. S. (2014). Drishtigs: Retinal image dataset for optic nerve head (onh) segmentation. In Biomedical Imaging (ISBI), 2014 IEEE 11th International Symposium on, pages IEEE. Tatham, A. J., Weinreb, R. N., Zangwill, L. M., Liebmann, J. M., Girkin, C. A., and Medeiros, F. A. (2013). The relationship between cup-to-disc ratio and estimated number of retinal ganglion cellscdr and retinal ganglion cell number. Investigative ophthalmology & visual science, 54(5): Tham, Y.-C., Li, X., Wong, T. Y., Quigley, H. A., Aung, T., and Cheng, C.-Y. (2014). Global prevalence of glaucoma and projections of glaucoma burden through 2040: A systematic review and meta-analysis. Ophthalmology, 121(11): Zhou, M., Jin, K., Wang, S., Ye, J., and Qian, D. (2017). Color retinal image enhancement based on luminosity and contrast adjustment. IEEE Transactions on Biomedical Engineering, PP(99):1 1.
Detecção do Glaucoma.
Avaliação Automática da Relação Escavação/Disco Para Detecção do Glaucoma. André F. C. Pinheiro 1, João D. S. Almeida 1, Geraldo B. Junior 1 1 Universidade Federal do Maranhão (UFMA) Caixa Postal 65.085
Diagnóstico do Glaucoma em Imagens de Fundo de Olho Usando Matriz de Coocorrência e SVM
Diagnóstico do Glaucoma em Imagens de Fundo de Olho Usando Matriz de Coocorrência e SVM Mayara Gomes Silva 1, Nelia Cantanhede Reis 1, João Dallyson Sousa de Almeida 1 1 Núcleo de Computação Aplicada (NCA),
Segmentação de Exsudatos em Imagens de Fundo de Olho para Detecção de Retinopatia Diabética
Segmentação de Exsudatos em Imagens de Fundo de Olho para Detecção de Retinopatia Diabética Nigel da Silva Lima 1, Geraldo Braz Júnior 1 1 Universidade Federal do Maranhão (UFMA) Av. dos Portugueses, 1966
Segmentação de Exsudatos em Imagens de Fundo de Olho para Detecção de Retinopatia Diabética
Segmentação de Exsudatos em Imagens de Fundo de Olho para Detecção de Retinopatia Diabética Nigel da Silva Lima 1, Lucas Bezerra Maia 1, Geraldo Braz Júnior 1, João Dallyson Sousa de Almeida 1 1 Universidade
Detecção e Segmentação da Região do Disco Óptico em Imagens de Retina por Delimitação de Regiões de Interesse e Uso de Limiar
Detecção e Segmentação da Região do Disco Óptico em Imagens de Retina por Delimitação de Regiões de Interesse e Uso de Limiar Leonardo M. Santos, Maíla L. Claro, Wallinson L. Silva, Flávio H. D. Araújo
METODOLOGIA COMPUTACIONAL DE PROCESSAMENTO DIGITAL DE IMAGENS DE FUNDO DE OLHO PARA O DIAGNÓSTICO DE GLAUCOMA
METODOLOGIA COMPUTACIONAL DE PROCESSAMENTO DIGITAL DE IMAGENS DE FUNDO DE OLHO PARA O DIAGNÓSTICO DE GLAUCOMA Gabriel Tozatto Zago, Rodolfo de Figueiredo Dalvi, Rodrigo Varejão Andreão, Bernardo Deps Almeida
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
Projeto de Pesquisa para o CNPq/PIBIC - CNPEM. Anotação de Imagens Biológicas 3D Utilizando Ferramentas Computacionais de Aprendizado Ativo
Projeto de Pesquisa para o CNPq/PIBIC - CNPEM Anotação de Imagens Biológicas 3D Utilizando Ferramentas Computacionais de Aprendizado Ativo Anotação de Imagens Biológicas 3D Utilizando Ferramentas Computacionais
LEONARDO M. SANTOS, FLÁVIO H. D. ARAÚJO, MAÍLA L. CLARO, WALLINSON L. SILVA, RO- MUERE R. V. SILVA, PATRICIA M. L. L. DRUMOND.
Natal RN, 25 a 28 de outubro de 2015 IMPLEMENTAÇÃO E COMPARAÇÃO DE UM MÉTODO DE DETECÇÃO E SEGMENTAÇÃO AUTOMÁTICA DO DIS- CO ÓPTICO EM DIFERENTES BASES DE IMAGENS DA RETINA LEONARDO M. SANTOS, FLÁVIO H.
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
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
Segmentação 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
Glaucoma Diagnosis Using Texture Attributes and Pre-trained CNN s
Revista de Informática Teórica e Aplicada - RITA - ISSN 2175-2745 Vol. 25, Num. 1 (2018) 82-89 RESEARCH ARTICLE Glaucoma Diagnosis Using Texture Attributes and Pre-trained CNN s Diagnóstico de Glaucoma
Avaliação 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
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
Uma Abordagem Genética Para Redes Neurais Convolucionais
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,
READING 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
Análise do Uso de Diferentes Bandas de Cores na Detecção da Mácula em Imagens de Retina
Análise do Uso de Diferentes Bandas de Cores na Detecção da Mácula em Imagens de Retina José Lins 1, Rodrigo Veras 1, Kelson Aires 1, Vinicius Machado 1, Luís Vogado 1 1 Departamento de computação Universidade
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
Cálculo da razão escavação/disco com o uso de algoritmo de agrupamento semissupervisionado e morfologia matemática
1 Cálculo da razão escavação/disco com o uso de algoritmo de agrupamento semissupervisionado e morfologia matemática Luís Guilherme T. dos Santos, Marcos A. de S. Frazão, Rodrigo de M. S. Veras, Flávio
Classificação 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:
Aplicação 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
GoogLeNet - 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
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo
Diagnóstico do Glaucoma em Imagens de Retinografia usando Variantes de Padrões Locais Binários
Diagnóstico do Glaucoma em Imagens de Retinografia usando Variantes de Padrões Locais Binários Mayara G. Silva 1, Alexandre C. P. Pessoa 1, João D. S. de Almeida 1, Geraldo Braz Junior 1, Anselmo Cardoso
Estudo comparativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas
Estudo parativo de métodos de segmentação das bordas de lesões em imagens dermatoscópicas Pedro Vinícius Macêdo de Araújo, Geraldo Braz Junior Curso de Ciência da Computação Universidade Federal do Maranhão
VERY 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
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
Departamento de Computação Teresina, Piauí, Brasil
Natal RN, 25 a 28 de outubro de 2015 DETECÇÃO AUTOMÁTICA DO GLAUCOMA POR EXTRAÇÃO DE CARACTERÍSTICAS E CLASSIFICAÇÃO Maíla de Lima Claro, Flávio Henrique Duarte de Araújo, Wallinson de Lima e Silva, Leonardo
O reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
Classificação 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
Diagnóstico 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
Métodos de Deep Learning Aplicados a Candlestick como Estratégia de Investimento
Métodos de Deep Learning Aplicados a Candlestick como Estratégia de Investimento Maio/2019 Felipe Dias Paiva Carolina M. Roma INTRODUÇÃO A previsão dos retornos das ações é considerada uma das tarefas
ALGORITMOS 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
Detecção e Correção Automáticas de Olhos Vermelhos
Setor de Tecnologia da Universidade Federal do Paraná Curso de Engenharia Elétrica TE 072 Processamento Digital de Sinais Detecção e Correção Automáticas de Olhos Vermelhos Trabalho elaborado pelo aluno
Region 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
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
Um 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
CRI 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
PROCESSAMENTO E ANÁLISE DE IMAGENS DE MICROARRANJOS DE DNA
U N I V E R S I D ADE FEDERAL DE PERNAMBUCO GRADUAÇÃO EM ENGENHARIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2 0 0 8. 1 PROCESSAMENTO E ANÁLISE DE IMAGENS DE MICROARRANJOS DE DNA PROPOSTA DE TRABALHO DE GRADUAÇÃO
Classificação 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
2. 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
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,
SISTEMA 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
MouseCam: 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
Object 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
Roberto 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
Determinação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
Diego 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
DIAGNÓSTICO DE GLAUCOMA EM RETINOGRAFIAS BASEADO EM GEOESTATÍSTICA
Artigo Completo XV Congresso Brasileiro de Informática em Saúde 27 a 30 de novembro - Goiânia - Brasil DIAGNÓSTICO DE GLAUCOMA EM RETINOGRAFIAS BASEADO EM GEOESTATÍSTICA Jefferson Alves de Sousa 1, João
Aprendizado 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
Projetos 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
Redes 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
Diagnóstico de Melanoma usando Função K de Ripley e Máquina de Vetores de Suporte
Diagnóstico de Melanoma usando Função K de Ripley e Máquina de Vetores de Suporte Lucas Bezerra Maia 1, Nigel da Silva Lima 1, Geraldo Braz Junior 1, João Dallyson Sousa de Almeida 1, Anselmo Cardoso Paiva
Reconhecimento 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
Redes 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
Princípios sobre imagens digitais
Princípios sobre imagens digitais Aula 1 LPV 5731 - ANÁLISE DE IMAGENS DE SEMENTES E PLÂNTULAS Programa de pós-graduação em Fitotecnia Francisco G Gomes-Junior Escola Superior de Agricultura Luiz de Queiroz
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
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
Detecção 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)
Machine 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
Orientação 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,
IDENTIFICAÇÃO DE ELEMENTOS UTILIZANDO SISTEMA DE CORES HSV EM IMAGEM DE ÍNDICE DE VEGETAÇÃO DA CULTURA DE CANA-DE-AÇÚCAR
LA SCALEA, Rodrigo Antônio; CHAVES, Arthur Avelar; CASTELO BRANCO, Kalinka Regina Lucas Jaquie; KAWABATA, Célia Leiko Ogawa. Identificação de elementos utilizando sistema de cores HSV em imagem de índice
Classificação 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
Automatic Detection of Glaucoma Using Disc Optic Segmentation and Feature Extraction
Automatic Detection of Glaucoma Using Disc Optic Segmentation and Feature Extraction Maíla Claro, Leonardo Santos, Wallinson Silva, Flávio Araújo, Alcilene Dalília e André Santana Abstract Digital image
Análise e Sugestão Automática de Câncer de Pele através de HOG e SVM
Análise e Sugestão Automática de Câncer de Pele através de HOG e SVM Lucas Bezerra Maia 1, Roberto M. Pinheiro Pereira 1, Thalles Alencar Silva 1, Alexandre César P. Pessoa 1, Geraldo Braz Junior 1 1 Núcleo
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
Color 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
Óculos poderão detectar glaucoma antes do surgimento dos sintomas
Pesquisadores da Universidade Duke e da Universidade da Califórnia, nos Estados Unidos, e da National Chiao Tung, na China, desenvolveram uma tecnologia inédita de realidade virtual capaz de realizar o
PONTIFÍCIA 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
Reconhecimento 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
Igor dos Santos Montagner Orientador: Roberto Marcondes Cesar Junior 20/09/2010
Análise e conversão de tablóides de promoções Igor dos Santos Montagner Orientador: Roberto Marcondes Cesar Junior 20/09/2010 1 1 Introdução Com os avanços na área de computação e a demanda crescente por
Diagnóstico de Glaucoma em Imagens de Fundo de Olho utilizando os Índices de Diversidade de Shannon e McIntosh
17º WIM - Workshop de Informática Médica Diagnóstico de Glaucoma em Imagens de Fundo de Olho utilizando os Índices de Diversidade de Shannon e McIntosh José Denes L. Araújo 1, Anselmo C. de Paiva 1, João
Optic Disc Detection in Retinal Images Using Algorithms Committee with Weighted Voting
Optic Disc Detection in Retinal Images Using Algorithms Committee with Weighted Voting R. R. V. e Silva, F. H. D. de Araújo, L. M. R. dos Santos, R. M. S. Veras and F. N. S. de Medeiros 1 Abstract This
1. Introdução. Tecnologia do Estado do Ceará. (IFCE) Sobral CE Brasil
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 64-69, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Análise comparativa entre Redes Neurais
PLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS
PLANO DE TRABALHO: DISCIPLINA OPTATIVA PROCESSAMENTO DE IMAGENS MÉDICAS PROFESSOR: Alexei Manso Correa Machado 1. EMENTA Percepção visual. Modalidades de aquisição e reconstrução tomográfica. Amostragem
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 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Métodos computacionais para segmentação do disco óptico em imagens de retina: uma revisão
Revista Brasileira de Computação Aplicada, Julho, 2018 DOI: 10.5335/rbca.v10i2.7661 Vol. 10, N o 2, pp. 29 43 Homepage: seer.upf.br/index.php/rbca/index A R T I G O O R I G I N A L Métodos computacionais
Métodos de Segmentação de Imagem para Análise da Marcha
Métodos de Segmentação de Imagem para Análise da Marcha Maria João M. Vasconcelos, João Manuel R. S. Tavares maria.vasconcelos@fe.up.pt, tavares@fe.up.pt 3º Congresso Nacional de Biomecânica 11-12 Fevereiro
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)
Morfologia Matemática: algumas aplicações. Rosana Gomes Bernardo Universidade Federal Fluminense
Morfologia Matemática: algumas aplicações Rosana Gomes Bernardo Universidade Federal Fluminense Introdução Aplicações Motivadoras - Consumo de Gás Natural Roteiro - Placas de Veículos Referências - Cartografia
Câmara Técnica de Medicina Baseada em Evidências. Avaliação de Tecnologias em Saúde
Câmara Técnica de Medicina Baseada em Evidências Avaliação de Tecnologias em Saúde Sumário de evidências e recomendações para o uso de tomografia de coerência óptica em pacientes com glaucoma Porto Alegre,
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS
METODOLOGIA PARA A QUANTIZAÇÃO DE CORES PELO MÉTODO SMCb: INTRODUÇÃO E EXEMPLOS DE RESULTADOS Marcelo Zaniboni 1, Osvaldo Severino Junior 2 1: Universitário do curso de Ciência da Computação, Faculdade
Modelagem 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
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
Reconhecimento 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.
Introdução a Visão Computacional. Prof. Dr. Geraldo Braz Junior DEINF - UFMA
Introdução a Visão Computacional Prof. Dr. Geraldo Braz Junior DEINF - UFMA O que é Visão Computacional? Você já viu? 2 O que se espera? Visão é sobre entender imagens Coloridas ou em tons de cinza Pequenas
ANÁLISE 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
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
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
Aprendizagem 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
JAI 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
Resultados da Segmentação
59 6 Resultados da Segmentação Neste capítulo são avaliados os três algoritmos de binarização abordados no capítulo 4. A avaliação é obtida comparando-se as imagens segmentadas, com as mesmas imagens segmentadas
Análise e conversão de tabloides de. Igor dos Santos Montagner Orientador: Prof. Dr. Roberto Marcondes Cesar Junior. promoções
Análise e conversão de tabloides de Igor dos Santos Montagner Orientador: Prof. Dr. Roberto Marcondes Cesar Junior promoções Agenda Problema Objetivo nal Solução proposta Atenção visual e mapa de saliências
IN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Reconhecimento 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
10º 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
APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS EM IMAGENS GERADAS POR ULTRA-SOM
VIII ERMAC 8 o Encontro Regional de Matemática Aplicada e Computacional 0- de Novembro de 008 Universidade Federal do Rio Grande do Norte Natal/RN APLICAÇÃO DE TÉCNICAS DE PROCESSAMENTO DE IMAGENS DIGITAIS