| dc.contributor | MELLO, Carlos Alexandre Barros de | |
| dc.contributor | ZANCHETTIN, Cleber | |
| dc.contributor | http://lattes.cnpq.br/0800263092745705 | |
| dc.contributor | http://lattes.cnpq.br/2248591013863307 | |
| dc.creator | SANTOS, Tiago José dos | |
| dc.date | 2019-09-13T22:45:05Z | |
| dc.date | 2019-09-13T22:45:05Z | |
| dc.date | 2018-08-28 | |
| dc.date.accessioned | 2022-10-06T16:44:16Z | |
| dc.date.available | 2022-10-06T16:44:16Z | |
| dc.identifier | https://repositorio.ufpe.br/handle/123456789/32908 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/3984176 | |
| dc.description | SANTOS, Tiago José dos, também é conhecido(a) em citações bibliográficas por: DOS SANTOS, Tiago José | |
| dc.description | O sentido da visão tem um papel importante na forma como o ser humano entende o mundo. Dessa forma, a representação e o processamento de informação visual é de grande importância para o ser humano. A área de Visão Computacional busca, através do uso de informação visual, geralmente descrita na forma de imagens, extrair informação útil para o desempenho automático de tarefas. Essa extração automática de informação, por meio da análise de imagens, é uma tarefa difícil que geralmente é dividida em problemas menores. O processo de segmentação de imagens é um desses problemas com a finalidade de dividir a imagem em seus objetos constituintes. A detecção automática de bordas é uma forma de segmentação que visa salientar todos os pixels da imagem que representem uma região de fronteira entre objetos da imagem ou até partes internas de um determinado objeto. O processo de detecção de bordas, historicamente, passou pelo uso de máscaras de convolução até o aprendizado de características, manualmente desenvolvidas, para classificação ou extração de pontos de borda em uma imagem. Com a evolução das placas gráficas foi possível diminuir o tempo de resposta dos algoritmos e permitir o avanço e difusão do uso de Redes Neurais Profundas em diversas áreas. A Rede Neural Convolucional é um tipo de rede profunda, atualmente muito utilizada para o processo de detecção de bordas, tendo como entrada uma imagem, ou partes dela, descritas, no geral, pelo modelo de cor RGB. Considerando esse contexto, o presente trabalho busca prover uma análise quantitativa da influência do uso de diferentes modelos de cor para descrever as imagens de entrada de algoritmos de detecção de bordas baseados no uso de Redes Neurais Convolucionais. Para realização dessa análise são utilizados os modelos de cor RGB, LAB, LUV, HSV, YO1O2 e dRdGdB. As arquiteturas Holistically-Nested Edge Detection (HED) e Convolutional Encoder Decoder Network (CEDN), caracterizadas pelo uso de Redes Neurais Convolucionais, são utilizadas como método detector de borda a ser avaliado. O Berkeley Segmentation Data Set and Benchmarks (BSDS) é responsável pela avaliação quantitativa dos resultados obtidos. Por fim, toda análise é realizada sobre as imagens das bases BSDS500 e PASCAL Context. Os experimentos sugerem que os resultados do processo de detecção de bordas tendem a ser semelhantes quando se realiza o treinamento das Redes Neurais Convolucionais com pesos aleatoriamente inicializados, independentemente do modelo de cor utilizado. Para a arquitetura Holistically-Nested Edge Detection, o uso de modelos de cor diferentes do RGB resultou em uma melhoria significativa para o caso de transferência de aprendizado e ajuste fino dos pesos. | |
| dc.description | The vision sense has an important role in the way how human beings understand the world. In this way, the representation and processing of visual information has a great importance to human being. Computer Vision seeks, through use of visual data usually described on the form of digital image, to extract useful information in order to perform tasks automatically. This automatic extraction of information, through image analysis, is a difficult task that usually is divided into smaller tasks. Image segmentation is one of these tasks which aims to divide an image into its basic objects. Automatic edge detection is a type of segmentation that aims to salient all pixels of an image that represent a boundary region between objects of the image or even internal parts of an object. The history of edge detection process began with the use of convolutional masks and evolved until the use of feature learn, manually designed, to classification or extraction of edge points in an image. With evolution of graphics cards, it was possible to decrease the response time of algorithms and to allow the advances achieved by Deep Neural Networks. Convolutional Neural Networks are a type of Deep Network, currently widely used to edge detection process, having as input an image, or parts of it, usually described in RGB color model. Considering this context, this work seeks to provide quantitative analysis of the influence in the use of different color models to describe the input images of edge detection algorithms based on Convolutional Neural Networks. To perform this analysis, the following color models are used: RGB, LAB, LUV, HSV YO1O2 and dRdGdB. The architectures Holistically-Nested Edge Detection (HED) e Convolutional Encoder Decoder Network (CEDN), which are characterized by the use of Convolutional Neural Networks, are used as edge detection algorithm to be evaluated. The Berkeley Segmentation Data Set and Benchmarks (BSDS) is responsible by qualitative evaluation of the results. Finally, all analysis are performed on the BSDS500 and PASCAL Context images. Experiments suggest that the results of edge detection process tend to be similar when training the Convolutional Neural Network with weights randomly initialized, regardless of the color model used. For the architecture Holistically- Nested Edge Detection, the use of color models other than RGB has resulted in a significant improvement to the case of transfer learning and fine-tuning of weights. | |
| dc.format | application/pdf | |
| dc.language | por | |
| dc.publisher | Universidade Federal de Pernambuco | |
| dc.publisher | UFPE | |
| dc.publisher | Brasil | |
| dc.publisher | Programa de Pos Graduacao em Ciencia da Computacao | |
| dc.rights | openAccess | |
| dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | |
| dc.rights | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | |
| dc.subject | Inteligência artificial | |
| dc.subject | Redes neurais convolucionais | |
| dc.title | A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais | |
| dc.type | masterThesis | |
