Memorial de projetos : uso de redes neurais convolucionais

Abstract

Resumo: Nos últimos anos, houve um crescimento significativo no uso da Inteligência Artificial na área de visão computacional. Através de Técnicas de Visão Computacional, com destaque para as Redes Neurais Convolucionais, que têm se mostrado bastante promissoras na classificação e reconhecimento de imagens. Esses modelos baseados em CNN’s se destacam por sua eficiência na identificação de padrões visuais em imagens. Arquiteturas como VGG, ResNet e EfficientNet são amplamente utilizadas por conseguirem extrair informações detalhadas de imagens complexas. Para isso, esses modelos precisam ser treinados com um grande volume de imagens rotuladas, com a indicação correta para que aprendam a reconhecer características específicas de cada imagem. Já existem aplicações que comprovam a eficácia dessas tecnologias utilizadas. Um exemplo bastante citado é o uso de CNNs para detectar pneumonia em radiografias de tórax, com resultados que chegam a ser comparáveis aos de especialistas humanos. Também são utilizados e com ótimos resultados no diagnóstico de outras condições, como retinopatia diabética, câncer de mama e doenças pulmonares. Para garantir a confiança no resultado destes modelos, são utilizadas métricas como acurácia, sensibilidade, especificidade e a chamada AUC (área sob a curva ROC), que ajudam a medir o desempenho e a segurança dos diagnósticos gerados pelos modelos

Abstract: In recent years, there has been a significant increase in the use of Artificial Intelligence in the field of computer vision. Through Computer Vision techniques, particularly Convolutional Neural Networks (CNNs), this area has shown great promise in image classification and recognition. These CNN-based models stand out for their efficiency in identifying visual patterns within images. Architectures such as VGG, ResNet, and EfficientNet are widely used for their ability to extract detailed information from complex images. To achieve this, these models need to be trained on large volumes of labeled images, with correct annotations, so that they can learn to recognize specific features of each image. There are already applications that demonstrate the effectiveness of these technologies. A widely cited example is the use of CNNs to detect pneumonia in chest X-rays, with results comparable to those of human specialists. They are also successfully applied in diagnosing other conditions, such as diabetic retinopathy, breast cancer, and pulmonary diseases. To ensure confidence in the results of these models, metrics such as accuracy, sensitivity, specificity, and AUC (Area Under the ROC Curve) are used to measure the performance and reliability of the generated diagnoses