Detalhes bibliográficos
Ano de defesa: |
2021 |
Autor(a) principal: |
Antunes, Guilherme
 |
Orientador(a): |
Britto Junior, Alceu de Souza
 |
Banca de defesa: |
Rocha, José Ferreira da
,
Hochuli, André
 |
Tipo de documento: |
Dissertação
|
Tipo de acesso: |
Acesso aberto |
Idioma: |
por |
Instituição de defesa: |
Universidade Estadual de Ponta Grossa
|
Programa de Pós-Graduação: |
Programa de Pós Graduação Computação Aplicada
|
Departamento: |
Departamento de Informática
|
País: |
Brasil
|
Palavras-chave em Português: |
|
Área do conhecimento CNPq: |
|
Link de acesso: |
http://tede2.uepg.br/jspui/handle/prefix/3594
|
Resumo: |
A classificação de espécies de plantas é um desafio devido a biodiversidade de nosso planeta, e nossos múltiplos ecossistemas tendem a exponencializar esse problema, para isso, soluções ao longo dos anos têm sido desenvolvidas de modo que possamos automatizar o trabalho de classificação de plantas, que antes estava reservado ao corpo técnico específico da área. As Redes Neurais Convolucionais e o Aprendizado Profundo, do inglês deep learning, têm viabilizado soluções cada vez mais atrativas para a tarefa de classificação. Fornecendo a seleção de atributos e extração de características de maneira autônoma. Para esta pesquisa foi utilizada uma base de imagens pertencente ao desafio mundial de reconhecimento de plantas 2015, LifeCLEF. Esta base possui 113.205 imagens de 1000 espécies diferentes. Neste trabalho foi abordado a classificação de espécies de plantas utilizando dois componentes de uma mesma planta, sendo eles a folha e a flor. Para tal, redes neurais profundas pré-treinadas na base Imagenet foram utilizadas para classificação de cada componente. Em seguida, diferentes regras de combinação de classificadores foram avaliadas, da soma à criação de um meta-classificador responsável pela fusão. Resultados experimentais permitiram um aumento de até 23 pontos percentuais (de 68% para 91%) quando realizada a fusão dos classificadores das componentes folha e flor. |