Mostrar registro simples

dc.contributor.advisorOliveira, Luiz Eduardo Soares de, 1971-pt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Datapt_BR
dc.creatorPrzytocki, Gabriel Henriquept_BR
dc.date.accessioned2024-10-22T20:44:07Z
dc.date.available2024-10-22T20:44:07Z
dc.date.issued2024pt_BR
dc.identifier.urihttps://hdl.handle.net/1884/90356
dc.descriptionOrientador: Prof. Luiz Eduardo Soares Oliveirapt_BR
dc.descriptionMonografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science e Big Datapt_BR
dc.descriptionInclui referênciaspt_BR
dc.description.abstractResumo: Contrastive Learning (CL) vem se destacando nos últimos anos por extrair representações úteis em grandes conjuntos de dados, oferecendo eficiência ao evitar a necessidade de anotar bases extensas. O presente trabalho aplicou tais técnicas na tarefa de detecção de espécies florestais a partir de imagens do ridoma (tronco), comparando classificadores com e sem seu uso. A partir da extração de características usando o modelo de CL a nível de estado da arte, SimCLRv2, um classificador Random Forest (RF) foi capaz de obter uma acurácia de 91% entre as 16 espécies florestais, 46% superior a uma ResNet101 sem CL. Esse mesmo RF foi capaz de obter uma acurácia de 77% com apenas 10% do conjunto de treinamento, representando uma alternativa econômica em relação aos demais modelos.pt_BR
dc.description.abstractAbstract: Contrastive Learning (CL) has gained prominence in recent years for extracting useful representations from large datasets, offering efficiency by avoiding the need to annotate extensive databases. This study applied such techniques to the task of detecting forest species fromimages of the rhytidome (trunk), comparing classifiers with and without its use. By extracting features using the state-of-the-art CL model, SimCLRv2, a Random Forest (RF) classifier achieved an accuracy of 91% among the 16 forest species, 46% higher than a ResNet101 without CL. The same RF was able to achieve an accuracy of 77% with only 10% of the training set, representing a cost-effective alternative compared to other models.pt_BR
dc.format.extent1 recurso online : PDF.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectPercepção de imagenspt_BR
dc.subjectInterpretação de imagenspt_BR
dc.subjectSistemas de reconhecimento de padrõespt_BR
dc.subjectÁrvores - Amazôniapt_BR
dc.titleAvaliação de técnicas de contrastive learning na detecção de texturas em imagenspt_BR
dc.typeTCC Especialização Digitalpt_BR


Arquivos deste item

Thumbnail

Este item aparece na(s) seguinte(s) coleção(s)

Mostrar registro simples