Classificação de incompatibilidades cross-browser em aplicações web com design responsivo com uso de redes neurais convolucionais

• Autor(a) principal: Santos, Danilo Alves dos
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UTFPR (da Universidade Tecnológica Federal do Paraná (RIUT))
• Texto Completo: http://repositorio.utfpr.edu.br/jspui/handle/1/30193
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO; Software de aplicação; Aplicações Web; Redes Neurais (Computação); Application software; Web applications; Neural networks (Computer science); Ciência da Computação

A variedade de browsers disponíveis para os usuários, que permitem acessar e executar aplicações web, abre margem para a ocorrência de incompatibilidades de exibição ou execução de componentes presentes nas páginas web devido às diferentes configurações entre os motores de renderização existentes. Mesmo com o avanço das tecnologias para desenvolvimento de páginas responsivas, às incompatibilidades de renderização ainda se fazem presentes. Quando essas incompatibilidades ocorrem devido à execução em diferentes browsers são conhecidas como Incompatibilidades Cross-Browser, ou XBI. Para os desenvolvedores isso representa um maior tempo gasto com a realização de inspeções manuais para detecção e correção dessas incompatibilidades. Considerando os avanços significativos no uso de redes neurais profundas associado à classificação de objetos por meio de visão computacional, este trabalho utilizou essa abordagem no cenário de classificação de incompatibilidades internas de layout em aplicações web responsivas. Para isso foram conduzidos experimentos com uso de classificadores baseados em Redes Neurais Convolucionais. Foram analisadas diferentes configurações para identificar a arquitetura que melhor se adequasse ao classificador proposto. Para treinamento da rede foram utilizados como dados de entrada conjuntos de pixels gerados a partir de screenshots provenientes de dataset de trabalhos anteriores. Para quantificar a eficácia do classificador com a abordagem proposta foi utilizado o método 10-Fold-Cross-Validation, combinado com as métricas Precision, Recall e F-Score, onde foi verificado que o modelo proposto apresentou resultados superiores de Precision e Recall em relação à estratégia Browserbite, porém não foi capaz de alcançar resultados similares às estratégias Crosscheck e Watanabe et al. (2019), utilizados para contrapor o modelo implementado. Por meio do experimento conduzido, pode-se afirmar que o principal fator que influenciou a baixa eficácia do classificador foi o desbalanceamento do dataset disponível.