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 | Tamanho | Formato | |
|---|---|---|---|---|
| ROBERTO-PEREIRA.pdf | Trabalho de Conclusão de Curso | 6,15 MB | Adobe PDF | Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.