Deep learning aplicado à classificação de vídeos

Detalhes bibliográficos
Autor(a) principal: Carvalho, Gustavo Henrique Takahashi de Aquino
Data de Publicação: 2018
Outros Autores: Marques, Pedro Caiafa
Tipo de documento: Trabalho de conclusão de curso
Idioma: por
Título da fonte: Biblioteca Digital de Monografias da UnB
Texto Completo: https://bdm.unb.br/handle/10483/28398
Resumo: Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018.
id UNB-2_9b6939e0df848e5f2216a11ad4d6fb06
oai_identifier_str oai:bdm.unb.br:10483/28398
network_acronym_str UNB-2
network_name_str Biblioteca Digital de Monografias da UnB
repository_id_str 11571
spelling Carvalho, Gustavo Henrique Takahashi de AquinoMarques, Pedro CaiafaRomariz, Alexandre Ricardo SoaresCARVALHO, Gustavo Henrique Takahashi de Aquino; MARQUES, Pedro Caiafa. Deep learning aplicado à classificação de vídeos. 2018. 74 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2018.https://bdm.unb.br/handle/10483/28398Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018.A identificação automática de ações em vídeos é uma área extensamente explorada em inteligência artificial, impulsionada pela enorme quantidade de dados e tempo necessário para realização manual desta tarefa. Neste cenário, realiza-se estudo a respeito de redes capazes de classificar vídeos de acordo com as ações tomadas utilizando o data set UCF101, composto por 13320 vídeos divididos em 101 categorias. Comparam-se metodologias ingênuas, que realizam classificação da ação por apenas uma imagem estática, com técnicas que incorporam as informações temporais por meio de diversas arquiteturas, aferindo impactos da relação temporal na classificação. Com este fim, são utilizadas redes convolucionais, implementadas em python com auxílio da biblioteca Keras utilizando o Tensorflow como backend. É explorada a possibilidade de realizar o presente estudo com limitações de recursos expressivas quando comparadas às tecnologias disponíveis em trabalhos estado da arte. Ao final, comprova-se a viabilidade deste tipo de pesquisa com a capacidade de obter redes que, ainda que não alcancem 98, 0% de acurácia do melhor resultado já reportado, apresentem resultados bastante expressivos, atingindo a marca de 92, 6% de acurácia.Submitted by Patricia Nunes (patricia@bce.unb.br) on 2021-08-28T02:04:53Z No. of bitstreams: 1 2018_GustavoHenriqueCarvalho_PedroMarques_tcc.pdf: 4181882 bytes, checksum: 22c5a73089cd51f3facdaedb67147958 (MD5)Approved for entry into archive by Patricia Nunes (patricia@bce.unb.br) on 2021-08-28T02:05:18Z (GMT) No. of bitstreams: 1 2018_GustavoHenriqueCarvalho_PedroMarques_tcc.pdf: 4181882 bytes, checksum: 22c5a73089cd51f3facdaedb67147958 (MD5)Made available in DSpace on 2021-08-28T02:05:18Z (GMT). No. of bitstreams: 1 2018_GustavoHenriqueCarvalho_PedroMarques_tcc.pdf: 4181882 bytes, checksum: 22c5a73089cd51f3facdaedb67147958 (MD5)Automatically identifying actions in videos is extensively explored by the usage of artificial intelligence given the vast video data there is and the time it takes to manually perform this task. With this in perspective, we set out to study networks capable of classifying videos in respect to the actions taken within them, to that end the data set UCF101, comprised of 133320 video clips divided among 101 classes, is explored. We compare trivial methodologies, which try to classify the video using only a single static image, with networks that incorporate the temporal information, hoping to asses the influence of temporal relation in the classification process. To do so convolutional networks are implemented in python with the support of the Keras library running on top of Tensorflow. We also address the viability of studying these problems with severe resource limitation compared to the technology available in most state of the art researches. We manage to confirm the possibility of researches with these limitations by training a neural network that, even though it falls short from state of the art accuracy of 98,0%, has an expressive accuracy of 92,6%.A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor que autoriza a Biblioteca Digital da Produção Intelectual Discente da Universidade de Brasília (BDM) a disponibilizar o trabalho de conclusão de curso por meio do sítio bdm.unb.br, com as seguintes condições: disponível sob Licença Creative Commons 4.0 International, que permite copiar, distribuir e transmitir o trabalho, desde que seja citado o autor e licenciante. Não permite o uso para fins comerciais nem a adaptação desta.info:eu-repo/semantics/openAccessAprendizado de máquinaRedes neurais (Computação)Vídeo - classificaçãoDeep learning aplicado à classificação de vídeosinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesis2021-08-28T02:05:18Z2021-08-28T02:05:18Z2018-12-10porreponame:Biblioteca Digital de Monografias da UnBinstname:Universidade de Brasília (UnB)instacron:UNBLICENSElicense.txtlicense.txttext/plain1817http://bdm.unb.br/xmlui/bitstream/10483/28398/2/license.txt21554873e56ad8ddc69c092699b98f95MD52ORIGINAL2018_GustavoHenriqueCarvalho_PedroMarques_tcc.pdf2018_GustavoHenriqueCarvalho_PedroMarques_tcc.pdfapplication/pdf4181882http://bdm.unb.br/xmlui/bitstream/10483/28398/1/2018_GustavoHenriqueCarvalho_PedroMarques_tcc.pdf22c5a73089cd51f3facdaedb67147958MD5110483/283982021-08-31 23:41:18.597oai:bdm.unb.br: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Biblioteca Digital de Monografiahttps://bdm.unb.br/PUBhttp://bdm.unb.br/oai/requestbdm@bce.unb.br||patricia@bce.unb.bropendoar:115712021-09-01T02:41:18Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)false
dc.title.pt_BR.fl_str_mv Deep learning aplicado à classificação de vídeos
title Deep learning aplicado à classificação de vídeos
spellingShingle Deep learning aplicado à classificação de vídeos
Carvalho, Gustavo Henrique Takahashi de Aquino
Aprendizado de máquina
Redes neurais (Computação)
Vídeo - classificação
title_short Deep learning aplicado à classificação de vídeos
title_full Deep learning aplicado à classificação de vídeos
title_fullStr Deep learning aplicado à classificação de vídeos
title_full_unstemmed Deep learning aplicado à classificação de vídeos
title_sort Deep learning aplicado à classificação de vídeos
author Carvalho, Gustavo Henrique Takahashi de Aquino
author_facet Carvalho, Gustavo Henrique Takahashi de Aquino
Marques, Pedro Caiafa
author_role author
author2 Marques, Pedro Caiafa
author2_role author
dc.contributor.author.fl_str_mv Carvalho, Gustavo Henrique Takahashi de Aquino
Marques, Pedro Caiafa
dc.contributor.advisor1.fl_str_mv Romariz, Alexandre Ricardo Soares
contributor_str_mv Romariz, Alexandre Ricardo Soares
dc.subject.keyword.pt_BR.fl_str_mv Aprendizado de máquina
Redes neurais (Computação)
Vídeo - classificação
topic Aprendizado de máquina
Redes neurais (Computação)
Vídeo - classificação
description Trabalho de Conclusão de Curso (graduação)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2018.
publishDate 2018
dc.date.submitted.none.fl_str_mv 2018-12-10
dc.date.accessioned.fl_str_mv 2021-08-28T02:05:18Z
dc.date.available.fl_str_mv 2021-08-28T02:05:18Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/bachelorThesis
format bachelorThesis
status_str publishedVersion
dc.identifier.citation.fl_str_mv CARVALHO, Gustavo Henrique Takahashi de Aquino; MARQUES, Pedro Caiafa. Deep learning aplicado à classificação de vídeos. 2018. 74 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2018.
dc.identifier.uri.fl_str_mv https://bdm.unb.br/handle/10483/28398
identifier_str_mv CARVALHO, Gustavo Henrique Takahashi de Aquino; MARQUES, Pedro Caiafa. Deep learning aplicado à classificação de vídeos. 2018. 74 f., il. Trabalho de Conclusão de Curso (Bacharelado em Engenharia Elétrica)—Universidade de Brasília, Brasília, 2018.
url https://bdm.unb.br/handle/10483/28398
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Monografias da UnB
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Biblioteca Digital de Monografias da UnB
collection Biblioteca Digital de Monografias da UnB
bitstream.url.fl_str_mv http://bdm.unb.br/xmlui/bitstream/10483/28398/2/license.txt
http://bdm.unb.br/xmlui/bitstream/10483/28398/1/2018_GustavoHenriqueCarvalho_PedroMarques_tcc.pdf
bitstream.checksum.fl_str_mv 21554873e56ad8ddc69c092699b98f95
22c5a73089cd51f3facdaedb67147958
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
repository.name.fl_str_mv Biblioteca Digital de Monografias da UnB - Universidade de Brasília (UnB)
repository.mail.fl_str_mv bdm@bce.unb.br||patricia@bce.unb.br
_version_ 1801493155259875328

Registros relacionados