Navegando por Palavras-chave "Classificação de imagens"

Agora exibindo 1 - 2 de 2
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Data augmentation via generative adversarial networks aplicado em classificação de imagens
    (Universidade Federal de São Paulo, 2019-12-15) Oliveira, Willian Dihanster Gomes de; Berton, Lilian; http://lattes.cnpq.br/9064767888093340
    "A classificação de imagens é uma das grandes áreas de aplicação do Aprendizado de Máquina. No entanto, para um bom desempenho dos algoritmos, faz-se necessária uma grande quantidade de dados, especialmente, rotulados. Diversas técnicas foram propostas para se obter mais dados via data augmentation (DA). Uma abordagem comum é aplicar Transformação de Imagens (TIs) no conjunto, gerando novas imagens a partir das imagens originais com aplicações de efeitos como corte, rotação, ruídos, etc. Uma nova abordagem é o uso das Generative Adversarial Networks (GANs) que são redes capazes de sintetizar dados artificiais a partir dos dados originais, sob um processo adversarial de duas redes neurais. Além disso, para se trabalhar com imagens, pode ser necessário representá-las por um vetor de atributos, sendo possível utilizar Redes Neurais Convolucionais (CNNs) para extrair suas características. Portanto, o objetivo deste trabalho é analisar essas duas abordagens de data augmentation aplicadas na classificação de imagens e avaliar diferentes CNNs como extratores de características."
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Desenvolvimento de um método automatizado para classificação de pneumonia em imagens de raio-x via aprendizagem profunda
    (Universidade Federal de São Paulo, 2022-01-31) Santos, Matheus Augusto de Castro [UNIFESP]; Berton, Lilian [UNIFESP]; http://lattes.cnpq.br/9064767888093340; http://lattes.cnpq.br/7982631319824168
    Este trabalho tem como objetivo o desenvolvimento de um método automatizado para detecção de pneumonias, como a Covid-19, em pacientes por meio da análise de imagens radiográficas utilizando aprendizagem profunda. Atualmente, na área da saúde, uma grande quantidade de informações é gerada diariamente possibilitando a criação de ferramentas empregando os conceitos de Aprendizado de Máquina que auxiliam a tomada de decisão clínica dos profissionais. Além disso, devido ao cenário atual que estamos vivenciando por conta da pandemia de Covid-19, se tornou imprescindível o desenvolvimento de ferramentas que possam auxiliar no diagnóstico dessa nova doença. Como uma maneira de auxiliar o diagnóstico de pneumonia, neste projeto foram pesquisados conjuntos de imagens radiográficas da região torácica de pacientes com pneumonia, com Covid-19 e pacientes saudáveis. Essas imagens foram então utilizadas no treinamento de redes neurais convolucionais, como a VGG, ResNET50 e EfficientNet, de maneira a identificar se o indivíduo apresenta uma enfermidade, e em caso positivo diferenciar a Covid-19 das demais pneumonias. Por meio dos experimentos realizados com as redes foi possível alcançar resultados bastantes promissores. Na classificação ternária, as redes EfficentNet B0 e VGG16 alcançaram acurácias de 95% e 94%, respectivamente, utilizando o método holdout para avaliação. Já nos experimentos utilizando k-fold cross validation a VGG16 alcançou 93.9% de acurácia. Na validação utilizando um conjunto de imagens externo, as redes VGG16 e EfficientNet B0 obtiveram resultados equivalentes atingindo 95% de acurácia na classificação ternária.