Métodos de resolução de problemas de quebra-cabeça visual baseados em aprendizado profundo

Página do item simplificado
dc.contributor.advisorFaria, Fabio [UNIFESP]
dc.contributor.advisorLatteshttp://lattes.cnpq.br/3828728429230356pt_BR
dc.contributor.authorTaciano, Miguel Silva [UNIFESP]
dc.contributor.authorLatteshttp://lattes.cnpq.br/3494257311247402pt_BR
dc.coverage.spatialSão José dos Campos, SPpt_BR
dc.date.accessioned2024-01-18T14:36:25Z
dc.date.available2024-01-18T14:36:25Z
dc.date.issued2023-12-12
dc.description.abstractThe 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.abstractO 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.provenanceSubmitted by Miguel Taciano (miguel.taciano@unifesp.br) on 2023-12-24T14:25:14Z No. of bitstreams: 1 TCC_MST_V3.pdf: 7962786 bytes, checksum: 3e72bcc97c68f440246ea3d11661e0e8 (MD5)en
dc.description.provenanceRejected by Edna Lucia Pereira (edna.lucia@unifesp.br), reason: Caro aluno, Você deve fazer as seguintes correções em seu trabalho: - Inserção da ficha catalográfica: para gerar a ficha catalográfica, preencha o formulário neste link com os dados de seu trabalho: http://ict.unifesp.br/ficha/ficha_grad.php. Ao finalizar e clicar em "Enviar", será gerado um arquivo .pdf com a ficha, que deve ser inserido após a página de rosto de seu trabalho. - Converter o arquivo de seu TCC para o formato .PDF/A. Caso tenha alguma dúvida sobre a conversão, consulte o tutorial de submissão de TCC's neste link: https://repositorio.unifesp.br/bitstream/handle/11600/60139/NOVO%20Tutorial%20para%20auto-arquivamento%20TCCs%20Gradua%c3%a7%c3%a3o_05092022.pdf?sequence=5&isAllowed=y Após realizar as correções, reenviar a submissão para nova revisão. Qualquer dúvida, entre em contato conosco através do e-mail biblioteca.sjc@unifesp.br Edna Lucia Pereira Bibliotecária Universidade Federal de São Paulo Campus São José dos Campos Tel. (12) 3924-9505 on 2024-01-15T18:23:13Z (GMT)en
dc.description.provenanceSubmitted by Miguel Taciano (miguel.taciano@unifesp.br) on 2024-01-16T14:31:11Z No. of bitstreams: 1 MST_TCC_FINAL.pdf: 5692295 bytes, checksum: c06e503563f53963dd349bc7cc9e4f45 (MD5)en
dc.description.provenanceApproved for entry into archive by Edna Lucia Pereira (edna.lucia@unifesp.br) on 2024-01-18T14:36:25Z (GMT) No. of bitstreams: 1 MST_TCC_FINAL.pdf: 5692295 bytes, checksum: c06e503563f53963dd349bc7cc9e4f45 (MD5)en
dc.description.provenanceMade available in DSpace on 2024-01-18T14:36:25Z (GMT). No. of bitstreams: 1 MST_TCC_FINAL.pdf: 5692295 bytes, checksum: c06e503563f53963dd349bc7cc9e4f45 (MD5) Previous issue date: 2023-12-12en
dc.description.sponsorshipConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)pt_BR
dc.emailadvisor.customffaria@unifesp.brpt_BR
dc.format.extent85 f.pt_BR
dc.identifier.urihttps://repositorio.unifesp.br/handle/11600/70568
dc.languageporpt_BR
dc.publisherUniversidade Federal de São Paulopt_BR
dc.rightsAcesso abertopt_BR
dc.subjectSegmentação Semânticapt_BR
dc.subjectAlgoritmo de Caminhos Mínimospt_BR
dc.subjectAprendizado Profundopt_BR
dc.subjectAlgoritmo Gulosopt_BR
dc.subjectQuebra-cabeçapt_BR
dc.titleMétodos de resolução de problemas de quebra-cabeça visual baseados em aprendizado profundopt_BR
dc.typeTrabalho de conclusão de curso de graduaçãopt_BR
unifesp.campusInstituto de Ciência e Tecnologia (ICT)pt_BR
unifesp.graduacaoEngenharia de Computaçãopt_BR
Arquivos
Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
MST_TCC_FINAL.pdf
Tamanho:
5.43 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
license.txt
Tamanho:
5.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar
Coleções
Engenharia de Computação