A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais

Detalhes bibliográficos
Autor(a) principal: SANTOS, Tiago José dos
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFPE
Texto Completo: https://repositorio.ufpe.br/handle/123456789/32908
Resumo: SANTOS, Tiago José dos, também é conhecido(a) em citações bibliográficas por: DOS SANTOS, Tiago José
id UFPE_b7d9b7e02b7321f0d9898bc65867443b
oai_identifier_str oai:repositorio.ufpe.br:123456789/32908
network_acronym_str UFPE
network_name_str Repositório Institucional da UFPE
repository_id_str 2221
spelling SANTOS, Tiago José doshttp://lattes.cnpq.br/0800263092745705http://lattes.cnpq.br/2248591013863307MELLO, Carlos Alexandre Barros deZANCHETTIN, Cleber2019-09-13T22:45:05Z2019-09-13T22:45:05Z2018-08-28https://repositorio.ufpe.br/handle/123456789/32908SANTOS, Tiago José dos, também é conhecido(a) em citações bibliográficas por: DOS SANTOS, Tiago JoséO 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.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.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessInteligência artificialRedes neurais convolucionaisA influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILDISSERTACAO Tiago José dos Santos.pdf.jpgDISSERTACAO Tiago José dos Santos.pdf.jpgGenerated Thumbnailimage/jpeg1286https://repositorio.ufpe.br/bitstream/123456789/32908/5/DISSERTACAO%20Tiago%20Jos%c3%a9%20dos%20Santos.pdf.jpg14e774f926031dad2ac690ee8ecff983MD55ORIGINALDISSERTACAO Tiago José dos Santos.pdfDISSERTACAO Tiago José dos Santos.pdfapplication/pdf5336054https://repositorio.ufpe.br/bitstream/123456789/32908/1/DISSERTACAO%20Tiago%20Jos%c3%a9%20dos%20Santos.pdf5346b2f288c2b86cfb349cc1794fe36dMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/32908/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82310https://repositorio.ufpe.br/bitstream/123456789/32908/3/license.txtbd573a5ca8288eb7272482765f819534MD53TEXTDISSERTACAO Tiago José dos Santos.pdf.txtDISSERTACAO Tiago José dos Santos.pdf.txtExtracted texttext/plain228049https://repositorio.ufpe.br/bitstream/123456789/32908/4/DISSERTACAO%20Tiago%20Jos%c3%a9%20dos%20Santos.pdf.txt78f50424729094b046cfcde73dd84abdMD54123456789/329082019-10-25 23:52:36.368oai:repositorio.ufpe.br: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ório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-26T02:52:36Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false
dc.title.pt_BR.fl_str_mv A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
title A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
spellingShingle A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
SANTOS, Tiago José dos
Inteligência artificial
Redes neurais convolucionais
title_short A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
title_full A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
title_fullStr A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
title_full_unstemmed A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
title_sort A influência dos modelos de cor para algoritmos de detecção de bordas baseados em redes neurais convolucionais
author SANTOS, Tiago José dos
author_facet SANTOS, Tiago José dos
author_role author
dc.contributor.authorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/0800263092745705
dc.contributor.advisorLattes.pt_BR.fl_str_mv http://lattes.cnpq.br/2248591013863307
dc.contributor.author.fl_str_mv SANTOS, Tiago José dos
dc.contributor.advisor1.fl_str_mv MELLO, Carlos Alexandre Barros de
dc.contributor.advisor-co1.fl_str_mv ZANCHETTIN, Cleber
contributor_str_mv MELLO, Carlos Alexandre Barros de
ZANCHETTIN, Cleber
dc.subject.por.fl_str_mv Inteligência artificial
Redes neurais convolucionais
topic Inteligência artificial
Redes neurais convolucionais
description SANTOS, Tiago José dos, também é conhecido(a) em citações bibliográficas por: DOS SANTOS, Tiago José
publishDate 2018
dc.date.issued.fl_str_mv 2018-08-28
dc.date.accessioned.fl_str_mv 2019-09-13T22:45:05Z
dc.date.available.fl_str_mv 2019-09-13T22:45:05Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufpe.br/handle/123456789/32908
url https://repositorio.ufpe.br/handle/123456789/32908
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.publisher.program.fl_str_mv Programa de Pos Graduacao em Ciencia da Computacao
dc.publisher.initials.fl_str_mv UFPE
dc.publisher.country.fl_str_mv Brasil
publisher.none.fl_str_mv Universidade Federal de Pernambuco
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFPE
instname:Universidade Federal de Pernambuco (UFPE)
instacron:UFPE
instname_str Universidade Federal de Pernambuco (UFPE)
instacron_str UFPE
institution UFPE
reponame_str Repositório Institucional da UFPE
collection Repositório Institucional da UFPE
bitstream.url.fl_str_mv https://repositorio.ufpe.br/bitstream/123456789/32908/5/DISSERTACAO%20Tiago%20Jos%c3%a9%20dos%20Santos.pdf.jpg
https://repositorio.ufpe.br/bitstream/123456789/32908/1/DISSERTACAO%20Tiago%20Jos%c3%a9%20dos%20Santos.pdf
https://repositorio.ufpe.br/bitstream/123456789/32908/2/license_rdf
https://repositorio.ufpe.br/bitstream/123456789/32908/3/license.txt
https://repositorio.ufpe.br/bitstream/123456789/32908/4/DISSERTACAO%20Tiago%20Jos%c3%a9%20dos%20Santos.pdf.txt
bitstream.checksum.fl_str_mv 14e774f926031dad2ac690ee8ecff983
5346b2f288c2b86cfb349cc1794fe36d
e39d27027a6cc9cb039ad269a5db8e34
bd573a5ca8288eb7272482765f819534
78f50424729094b046cfcde73dd84abd
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)
repository.mail.fl_str_mv attena@ufpe.br
_version_ 1802310720194347008

Registros relacionados