Navegando por Palavras-chave "Deep Learning"

Agora exibindo 1 - 3 de 3
  • Nenhuma Miniatura disponível
    Item
    Somente Metadadados
    Construção de algoritmos de Machine Learning na Radiologia
    (Universidade Federal de São Paulo (UNIFESP), 2020-09-17) Kitamura, Felipe Campos [UNIFESP]; Abdala, Nitamar [UNIFESP]; Universidade Federal de São Paulo
    Recent research in artificial intelligence has shown great potential to change radiology as we know it today. The tools to aid the radiological diagnosis can bring numerous benefits to the patients, radiologists and referring physicians. Despite the high expectations for this technology, the path to the creation of clinically useful and safe tools is a huge challenge that involves several aspects. In this work, we will address ethical, regulatory, technical and cultural considerations that need to be addressed to expand the scope of artificial intelligence algorithms in practice. Next, we present 7 projects developed by our group that address some of the challenges in the area: (1) the lack of reproducibility when reading exams, (2) the creation of optimized algorithms for each clinical problem, (3) the limitation to access large volumes of quality annotated data, (4) the lack of reproducibility of artificial intelligence researches, (5) the difficulty of integrating algorithms in medical practice, (6) errors in the registration of exams types and (7) the risk of exposure of sensitive patient information.
  • Nenhuma Miniatura disponível
    Item
    Somente Metadadados
    Detecção E Monitoramento De Postes De Eletricidade Em Vídeos Adquiridos Por Câmeras Acopladas A Veículos
    (Universidade Federal de São Paulo (UNIFESP), 2018-10-26) Lellis, Lucas Santana [UNIFESP]; Cappabianco, Fabio Augusto Menocci [UNIFESP]; Universidade Federal de São Paulo (UNIFESP)
    Process Automation Regarding Power Transmission And Telecommunication Infrastructure Can Improve Both The Maintenance And Availability Quality Of Critical Services Used By Customers Ranging From Enterprise Facilities To Households. Utility Poles Are Shared Among Diverse Companies. As A Result, They Are Also Subject To Constant Modifications And Damages Caused By Adverse Conditions. Thus, This Dissertation Introduces An Automated System For Detecting And Monitoring Utility Poles That Is Capable Of Processing Images And Data Of Sensors Captured On The Streets. This System Makes Use Of A Low-Cost Gadget Attached To A Car Roof To Capture Geo-Referenced Videos Of Poles As Well As Distance Data Gathered By Lidar Sensors. To Detect Poles In Videos, The Methodology Presented In This Dissertation Introduces An Image Processing Pipeline Capable Of Identifying The Lines That Compose The Poles. Distance Data Is Used To Enhance Video Frame Sampling, Reducing Computational Time. Finally, Deep Feature Clustering And Majorit
  • Imagem de Miniatura
    Item
    Acesso aberto (Open Access)
    Implementação de um framework de visão computacional para inspeção de qualidade no assoalho de automóveis
    (Universidade Federal de São Paulo, 2023-12-15) Sakuma, Decio Tomio [UNIFESP]; Coelho, Regina Celia [UNIFESP]; http://lattes.cnpq.br/2162574207370950; http://lattes.cnpq.br/0848021270948436
    Inspeção de Qualidade é um tema de interesse no meio industrial. O processo de inspeção para detecção de defeitos na linha de produção é essencial para o controle da qualidade do produto final, sendo alocado estrategicamente em diversos setores da Fábrica para garantir os requisitos de qualidade do produto e satisfação do cliente. Os operadores de inspeção, mesmo que sejam bem treinados, não evitam que os defeitos sigam adiante na linha de produção. Dentro deste contexto, este trabalho visa a implementação de um framework de visão computacional para inspeção automática de qualidade no assoalho de automóveis. O trabalho inicia-se com uma revisão de literatura avaliando sistemas de visão computacional comumente aplicadas para detecção de defeitos de qualidade na indústria automotiva. Em seguida, avaliamos uma estrutura apropriada para instalação de hardware para aquisição e pré-processamento de imagens. O próximo passo foi analisar as arquiteturas de deep learnings usando dados sintéticos e dados reais extraídos do sistema de aquisição montados na linha de produção. A eficiência do framework de visão computacional está baseada na comparação do método de inspeção manual com o método de inspeção automática. Os resultados demonstram que a metodologia aplicada para validação deste framework para inspeção de peças no assoalho dos automóveis são consistentes e eficazes para uma verificação automática. Isto pode ser comprovado considerando que o modelo de Inteligência Artificial usado obteve acurácia superior à 95% e nos testes realizados na linha de produção alcançou uma eficácia de 100%, enquanto que no método manual o resultado foi de 74%.