Implementação de redes convolucionais para a segmentação de imagens em tempo real com vistas à aplicação em robôs autônomos com dispositivos de visão de baixo custo
dc.contributor.advisor-co1 | Vinhal, Cássio Dener Noronha | |
dc.contributor.advisor-co1Lattes | http://lattes.cnpq.br/9791117638583664 | eng |
dc.contributor.advisor1 | Cruz Júnior, Gélson da | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/4370555454162131 | eng |
dc.contributor.referee1 | Cruz Júnior, Gélson da | |
dc.contributor.referee2 | Vinhal, Cássio Dener Noronha | |
dc.contributor.referee3 | Soares, Fabrízzio Alphonsus de Melo Nunes | |
dc.contributor.referee4 | Silva, Karina Rocha Gomes da | |
dc.creator | Rodrigues, Carlos Alberto de Sousa Parente | |
dc.creator.Lattes | http://lattes.cnpq.br/7489081850245911 | eng |
dc.date.accessioned | 2018-08-20T10:46:35Z | |
dc.date.issued | 2018-03-16 | |
dc.description.abstract | This work presents a study of convolutional networks to segment and classify images. The purpose of this network is to eventually give more autonomy to LEIA 1 robot, using the computer vision information in its processing. Methods such as this attempts to adapt the visual perception system of living beings. The complexity of this task lies in not having sufficient understanding of the biological system to model a system capable of processing images with the same speed and efficiency as a human. To accomplish this work, two different convolutional network architectures were validated. The first network has 13 layers, while the second has 15 layers, and more adjustable weights than the first one. For training and validation, a slice of Playing for Data dataset was used and adapted. The training set was composed of 300 images, and the network was validated using 2500 patterns. For each architecture, three training routines were performed, using the Adam, Nadam and Adamax methods. The most relevant results used the 15-layer architecture with Adamax optimizer. | eng |
dc.description.provenance | Submitted by Franciele Moreira (francielemoreyra@gmail.com) on 2018-08-17T13:33:19Z No. of bitstreams: 2 Dissertação - Carlos Alberto de Sousa Parente Rodrigues - 2018.pdf: 6333824 bytes, checksum: a035fcc2026db7dbe0a7b6945a83690e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) | eng |
dc.description.provenance | Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2018-08-20T10:46:35Z (GMT) No. of bitstreams: 2 Dissertação - Carlos Alberto de Sousa Parente Rodrigues - 2018.pdf: 6333824 bytes, checksum: a035fcc2026db7dbe0a7b6945a83690e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) | eng |
dc.description.provenance | Made available in DSpace on 2018-08-20T10:46:35Z (GMT). No. of bitstreams: 2 Dissertação - Carlos Alberto de Sousa Parente Rodrigues - 2018.pdf: 6333824 bytes, checksum: a035fcc2026db7dbe0a7b6945a83690e (MD5) license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Previous issue date: 2018-03-16 | eng |
dc.description.resumo | Este trabalho apresenta um estudo de redes convolucionais para segmentar e classificar imagens. O objetivo desta rede é futuramente deixar o robô LEIA 1 mais autônomo, utilizando as informações de visão computacional no seu processamento. Métodos como esse são tentativas de adaptação do sistema de processamento de visão dos seres vivos. A complexidade desta tarefa está em não haver entendimento suficiente do sistema biológico para modelar um sistema capaz de processar imagens com a mesma velocidade e eficiência que um ser humano. Para realizar este trabalho, duas diferentes arquiteturas de redes completamente convolucionais foram validadas. A primeira rede possui 13 camadas, enquanto a segunda possui 15 camadas, e mais pesos ajustáveis do que a primeira. Para o treinamento e validação, uma parcela do dataset Playing for Data foi utlizado e adaptado. O conjunto de treinamento foi composto de 300 imagens, e a rede foi validada utilizando 2500 padrões. Para cada arquitetura, três rotinas de treinamento foram executadas, com os métodos Adam, Nadam e Adamax. Os resultados mais relevantes utilizaram a arquitetura de 15 camadas com o otimizador Adamax. | eng |
dc.description.sponsorship | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPES | eng |
dc.format | application/pdf | * |
dc.identifier.citation | RODRIGUES, C. A. S. P. Implementação de redes convolucionais para a segmentação de imagens em tempo real com vistas à aplicação em robôs autônomos com dispositivos de visão de baixo custo. 2018. 110 f. Dissertação (Mestrado em Engenharia Elétrica e da Computação) - Universidade Federal de Goiás, Goiânia, 2018. | eng |
dc.identifier.uri | http://repositorio.bc.ufg.br/tede/handle/tede/8811 | |
dc.language | por | eng |
dc.publisher | Universidade Federal de Goiás | eng |
dc.publisher.country | Brasil | eng |
dc.publisher.department | Escola de Engenharia Elétrica, Mecânica e de Computação - EMC (RG) | eng |
dc.publisher.initials | UFG | eng |
dc.publisher.program | Programa de Pós-graduação em Engenharia Elétrica e da Computação (EMC) | eng |
dc.rights | Acesso Aberto | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Redes neurais artificiais | por |
dc.subject | Visão computacional | por |
dc.subject | Segmentação de imagens | por |
dc.subject | Artificial neural networks | eng |
dc.subject | Computer vision | eng |
dc.subject | Image segmentation | eng |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | eng |
dc.title | Implementação de redes convolucionais para a segmentação de imagens em tempo real com vistas à aplicação em robôs autônomos com dispositivos de visão de baixo custo | eng |
dc.title.alternative | Implementation of convolutional networks to real time segmentation aiming at applications in autonomous robots with vision devices of low cost | eng |
dc.type | Dissertação | eng |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- Dissertação - Carlos Alberto de Sousa Parente Rodrigues - 2018.pdf
- Tamanho:
- 6.04 MB
- Formato:
- Adobe Portable Document Format
- Descrição:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 2.11 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: