Deep learning e suas possibilidades de aplicação no patrimônio cultural edificado
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Publikationsdatum: | 2022 |
| Weitere Verfasser: | |
| Sprache: | por |
| Quelle: | Repositório Institucional da UnB |
| Download full: | https://repositorio.unb.br/handle/10482/43800 |
Zusammenfassung: | Este artigo apresenta uma investigação sobre as possibilidades de aplicação de Deep Learning (DL) no campo do patrimônio cultural edificado como ferramenta de suporte à decisão para a sua conservação. Nos últimos anos, o DL passou a ser aplicado nos sistemas de monitoramento, classificação e preservação da identidade cultural de edifícios patrimoniais juntamente com técnicas de mapeamento e modelagem tridimensional. Para esta pesquisa, foi utilizada uma revisão sistemática da literatura (RSL), considerando três bases de dados: Web of Science, Scopus e Engineering Village. Foram utilizadas as palavras-chave: deep learning, machine learning e heritage building. A partir da RSL, essa pesquisa também contribui para uma avaliação de técnicas e ferramentas utilizadas por autores nos últimos cinco anos, identificando que os estudos mais recentes se baseiam em imagens obtidas em levantamentos com nuvem de pontos e aplicação da inteligência artificial para a detecção de danos, localização e movimento de pessoas, classificação de elementos, estilos e tipologias arquitetônicas. |
Ähnliche Einträge: Deep learning e suas possibilidades de aplicação no patrimônio cultural edificado
- Deep Active Learning Approaches to the task of Named Entity Recognition
- Change detection of deforestation in the Brazilian Amazon using landsat data and convolutional neural networks
- The emergence of an information bottleneck teory of deep learning
- Mapping stains on flat roofs using semantic segmentation based on deep learning
- Performance analysis of deep convolutional autoencoders with different patch sizes for change detection from burnt areas
- Deep semantic segmentation of center pivot irrigation systems from remotely sensed data
