Métodos de resolução de problemas de quebra-cabeça visual baseados em aprendizado profundo
dc.contributor.advisor | Faria, Fabio [UNIFESP] | |
dc.contributor.advisorLattes | http://lattes.cnpq.br/3828728429230356 | pt_BR |
dc.contributor.author | Taciano, Miguel Silva [UNIFESP] | |
dc.contributor.authorLattes | http://lattes.cnpq.br/3494257311247402 | pt_BR |
dc.coverage.spatial | São José dos Campos, SP | pt_BR |
dc.date.accessioned | 2024-01-18T14:36:25Z | |
dc.date.available | 2024-01-18T14:36:25Z | |
dc.date.issued | 2023-12-12 | |
dc.description.abstract | The traditional Jigsaw Puzzle is a challenging task performed by humans, mainly due to its hardness and being proven to be an NP-Complete problem. Even so, recent efforts show better performance in this task using different methods involving complex computer vision and machine learning techniques. In this sense, this thesis proposes new methods based on the use of semantic segmentation (SS) and deep learning, alone and combined, with the tasked objective to solve jigsaw puzzles (visual puzzles) in different training scenarios, both with a known middle and an unknown middle configuration. To the best of our knowledge, this is the first work in the literature that uses SS for the target application. In the performed experiments, it was possible to demonstrate that our proposed methods successfully obtained excellent results when compared with other methods existing in the literature for 3 × 3 puzzle-solving tasks. | pt_BR |
dc.description.abstract | O problema de resolução de quebra-cabeças é uma tarefa desafiadora realizada por humanos, principalmente devido à sua dificuldade, além de ser comprovada como um problema NP-Completo. Mesmo assim, esforços recentes mostram melhor desempenho nessa tarefa usando diferentes métodos envolvendo técnicas complexas de visão computacional e aprendizado de máquina. Nesse sentido, este trabalho propõe novos métodos em segmentação semântica (SS) e aprendizado profundo visando resolver quebra-cabeças visuais em diferentes cenários de treinamento com peça central conhecida e desconhecida. Até onde sabemos, este é o primeiro trabalho na literatura que usa SS para a aplicação alvo. Nos experimentos realizados, foi possível demonstrar que nossos métodos baseados em SS e aprendizado profundo conseguem excelentes resultados quando comparados com outros métodos existentes na literatura para tarefas de resolução de quebra-cabeças de tamanho 3 × 3, principalmente em tabuleiros com peça central conhecida. | pt_BR |
dc.description.sponsorship | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | pt_BR |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | pt_BR |
dc.description.sponsorship | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | pt_BR |
dc.emailadvisor.custom | ffaria@unifesp.br | pt_BR |
dc.format.extent | 85 f. | pt_BR |
dc.identifier.uri | https://repositorio.unifesp.br/handle/11600/70568 | |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de São Paulo | pt_BR |
dc.rights | info:eu-repo/semantics/openAccess | pt_BR |
dc.subject | Segmentação Semântica | pt_BR |
dc.subject | Algoritmo de Caminhos Mínimos | pt_BR |
dc.subject | Aprendizado Profundo | pt_BR |
dc.subject | Algoritmo Guloso | pt_BR |
dc.subject | Quebra-cabeça | pt_BR |
dc.title | Métodos de resolução de problemas de quebra-cabeça visual baseados em aprendizado profundo | pt_BR |
dc.type | info:eu-repo/semantics/bachelorThesis | pt_BR |
unifesp.campus | Instituto de Ciência e Tecnologia (ICT) | pt_BR |
unifesp.graduacao | Engenharia de Computação | pt_BR |