Recomendações de produtos em tempo real baseadas no reconhecimento de objetos em vídeo

• Ano de defesa: 2019
• Autor(a) principal: Souza Junior, Nelson Forte de
• Orientador(a): Marengoni, Mauricio
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Presbiteriana Mackenzie
• Palavras-chave em Português: redes neurais profundas; redes convolucionais; visão computacional; recomendações; comércio eletrônico
• Área do conhecimento CNPq: CNPQ::ENGENHARIAS; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://dspace.mackenzie.br/handle/10899/24503

Com o avanço do comércio eletrônico nas relações de compra e venda, e sua constante sobreposição sobre a maneira clássica de se comercializar produtos, muitos métodos computacionais e estatísticos foram pesquisados e criados para recomendar tais produtos. Em sua maior parte, os dados utilizados nos métodos de recomendação envolvem interações dos usuários e são salvos na forma de dados estruturados, semiestruturados ou sem qualquer estrutura definida, sendo imagens e vídeo um tipo de informação pouco utilizada. Este trabalho, ao qual chamamos de Xanathar, propõe estender tal paradigma com o reconhecimento e a recomendação de produtos em tempo real usando vídeo de várias fontes diferentes. Para tal, uma arquitetura de rede neural convolucional conhecida como ResNet-50 foi utilizada, e algumas alterações nas camadas dessa rede levaram a um erro top-5 de 5,17% e um tempo de classificação de 0,016 segundos. Para o treinamento da rede, uma base de imagens com 936563 amostras anotadas foi criada, contendo 25 diferentes classes de objetos.