Use este identificador para citar ou linkar para este item: http://hdl.handle.net/123456789/3514
Título: Estudo do desempenho de redes neurais convolucionais aplicada ao reconhecimento de símbolos musicais, glaucoma e texto
Título(s) alternativo(s): Study of the performance of convolutional neural networks applied to the recognition of musical symbols, glaucoma and text
Autor(es): PEREIRA, Roberto Matheus Pinheiro
Palavras-chave: Deep learning
Redes neurais convolucionais
Aprendizado de máquina
Deep learning
Convolutional neural networks
Machine learning
Data do documento: 26-Fev-2017
Editor: Universidade Federal do Maranhão
Resumo: Diversas aplicações vem utilizando diferentes tipos de Redes Neurais Convolucionais (CNN) em tarefas de classificação e detecção. Este tipo especial de rede neural permite a extração automática de características, assim, reduzindo esforços na escolha das melhores características que representam um conjunto. Contudo, estes esforços normalmente são transmitidos para a escolha dos hiper-parâmetros e da arquitetura das redes neurais convolucionais. Este trabalho tem como objetivo realizar um estudo sobre variações de diferentes arquiteturas de Redes Neurais Convolucionais (LeNet, VGGNet e ResNet) e de seus hiper-parâmetros aplicados em diferentes cenários. Foram escolhidos três problemas a serem estudados: classificação de notas musicais manuscritas, identificação de glaucoma em imagens oculares e a análise de sentimentos em avaliações textuais. Os melhores resultados obtidos foram de 95.16% de acurácia para classificação de símbolos musicais, 88.57% para diagnóstico de glaucoma e 88.30% para análise de sentimento em texto.
Descrição: Abstract Many application have recently been developed using Convolutional Neural Networks (CNN) in the fields of classification and detection. This special type of neural network are capable of extracting features automatically. Thus, reducing the need to do previous engineering in order to extract them. However, choosing the correct architecture and its hyper-parameters to solve a task may be hard and the key to solve many open problems. This work aims to study di_erent variations of CNN’s architectures (LeNet, VGGNet and ResNet) as well as their hyper-parameters’ variations used to solve di_erent tasks. A total of three were chosen: musical symbol classification, glaucoma diagnosis and text sentiments analysis. The best models for each task reached 95.16% of accuracy for musical symbol classification, 88.57% for glaucoma diagnosis and 88.30 for text sentiments analysis.
URI: http://hdl.handle.net/123456789/3514
Aparece nas coleções:TCCs de Graduação em Ciência da Computação do Campus do Bacanga

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
ROBERTO-PEREIRA.pdfTrabalho de Conclusão de Curso6,15 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.