Reconhecimento de caracteres em imagens com ruído usando Deep Learning.

Detalhes bibliográficos
Ano de defesa: 2017
Autor(a) principal: Peixoto, Sirlene Pio Gomes da Silva
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
dARK ID: ark:/61566/0013000000m2s
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Redes neurais - computação
Inteligência artificial
Aprendizado do computador
Link de acesso: http://www.repositorio.ufop.br/handle/123456789/12579
Resumo: Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
id UFOP_dfad909b7ea75538a52b95dcde82dccd
oai_identifier_str oai:repositorio.ufop.br:123456789/12579
network_acronym_str UFOP
network_name_str Repositório Institucional da UFOP
repository_id_str
spelling Reconhecimento de caracteres em imagens com ruído usando Deep Learning.Redes neurais - computaçãoInteligência artificialAprendizado do computadorPrograma de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.Devido à degradação e baixa qualidade em imagens com ruído, como imagens de cenas naturais e CAPTCHAs (Completely Automated Public Turing test to tell Computers and Humans Apart) baseados em texto, o problema de reconhecimento de caracteres continua a ser extremamente desafiador. Neste trabalho, estudamos três abordagens diferentes de redes convolucionais (otimização de arquitetura com filtros aleatórios, aprendizado de filtros não supervisionado e supervisionado) que visam melhorar as representações de característica dessas imagens por meio de deep learning. Nós realizamos experimentos no amplamente utilizado dataset The Street View House Numbers (SVHN), em um novo dataset de CAPTCHAS criado por nós, e em um dataset de placas brasileiras. A abordagem que aprende os pesos dos filtros por meio do algoritmo back-propagation utilizando a técnica data augmentation e a estratégia de agregação de algumas camadas localmente conectadas à rede convolucional obteve resultados promissores para o dataset CAPTCHA (97,36% de acurácia para caracteres e 85,4% para CAPTCHAs) e resultados muito próximos ao estado da arte em relação ao dataset SVHN (97,45 % de acurácia para dígitos). Já no dataset de placas brasileiras, que contém um número de amostras muito inferior aos demais, a abordagem que realiza a otimização de arquitetura com filtros aleatórios obteve os resultados mais promissores. Além disso, analisamos o comportamento da abordagem deep learning que realiza o aprendizado supervisionado de filtros diante da exposição do dataset SVHN a interferências adversas.Due to degradation and low quality in noisy images, such as natural scene images and CAPTCHAs (Completely Automated Public Turing test to tell Computers and Humans Apart) based on text, the character recognition problem continues to be extremely challenging. In this work, we study two different convolutional network approaches (architecture optimization with random filters, filters learning unsupervised and supervised) aiming at improving the feature representations of these images through deep learning. We perform experiments in the widely used Street View House Numbers (SVHN) dataset, in a new dataset of CAPTCHAS created by us and a dataset of Brazilian plates. The approach that learns filter weights through back-propagation algorithm using data augmentation technique and the strategy of adding few locally-connected layers to the Convolutional Network (CN) has obtained promising results to the CAPTCHA dataset (97.36% of accuracy for characters and 85.4% for CAPTCHAs) and results very close to the state-of-the-art regarding the SVHN dataset (97.45% of accuracy for digits). In dataset of Brazilian plates, which contains a number of very low samples to the other, an approach that optimizes the architecture with random filters achieved the most promising results. In addition, we analyze the behavior of the deep learning approach we perform the supervised learning of filters in the face of SVHN dataset exposure to adverse interference.Gomes, David MenottiGomes, David MenottiBianchi, Andrea Gomes CamposCámara Chávez, GuillermoTodt, EduardoFerreira, Anderson AlmeidaPeixoto, Sirlene Pio Gomes da Silva2020-08-11T19:11:49Z2020-08-11T19:11:49Z2017info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfPEIXOTO, Sirlene Pio Gomes da Silva. Reconhecimento de caracteres em imagens com ruído usando Deep Learning. 2017. 60 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2017.http://www.repositorio.ufop.br/handle/123456789/12579ark:/61566/0013000000m2sAutorização concedida ao Repositório Institucional da UFOP pelo(a) autor(a) em 06/08/2020 com as seguintes condições: disponível sob Licença Creative Commons 4.0 que permite copiar, distribuir e transmitir o trabalho desde que sejam citados o autor e o licenciante. Não permite o uso para fins comerciais.info:eu-repo/semantics/openAccessporreponame:Repositório Institucional da UFOPinstname:Universidade Federal de Ouro Preto (UFOP)instacron:UFOP2024-11-10T14:02:35Zoai:repositorio.ufop.br:123456789/12579Repositório InstitucionalPUBhttp://www.repositorio.ufop.br/oai/requestrepositorio@ufop.edu.bropendoar:32332024-11-10T14:02:35Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)false
dc.title.none.fl_str_mv Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
title Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
spellingShingle Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
Peixoto, Sirlene Pio Gomes da Silva
Redes neurais - computação
Inteligência artificial
Aprendizado do computador
title_short Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
title_full Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
title_fullStr Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
title_full_unstemmed Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
title_sort Reconhecimento de caracteres em imagens com ruído usando Deep Learning.
author Peixoto, Sirlene Pio Gomes da Silva
author_facet Peixoto, Sirlene Pio Gomes da Silva
author_role author
dc.contributor.none.fl_str_mv Gomes, David Menotti
Gomes, David Menotti
Bianchi, Andrea Gomes Campos
Cámara Chávez, Guillermo
Todt, Eduardo
Ferreira, Anderson Almeida
dc.contributor.author.fl_str_mv Peixoto, Sirlene Pio Gomes da Silva
dc.subject.por.fl_str_mv Redes neurais - computação
Inteligência artificial
Aprendizado do computador
topic Redes neurais - computação
Inteligência artificial
Aprendizado do computador
description Programa de Pós-Graduação em Ciência da Computação. Departamento de Ciência da Computação, Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto.
publishDate 2017
dc.date.none.fl_str_mv 2017
2020-08-11T19:11:49Z
2020-08-11T19:11:49Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv PEIXOTO, Sirlene Pio Gomes da Silva. Reconhecimento de caracteres em imagens com ruído usando Deep Learning. 2017. 60 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2017.
http://www.repositorio.ufop.br/handle/123456789/12579
dc.identifier.dark.fl_str_mv ark:/61566/0013000000m2s
identifier_str_mv PEIXOTO, Sirlene Pio Gomes da Silva. Reconhecimento de caracteres em imagens com ruído usando Deep Learning. 2017. 60 f. Dissertação (Mestrado em Ciência da Computação) - Instituto de Ciências Exatas e Biológicas, Universidade Federal de Ouro Preto, Ouro Preto, 2017.
ark:/61566/0013000000m2s
url http://www.repositorio.ufop.br/handle/123456789/12579
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFOP
instname:Universidade Federal de Ouro Preto (UFOP)
instacron:UFOP
instname_str Universidade Federal de Ouro Preto (UFOP)
instacron_str UFOP
institution UFOP
reponame_str Repositório Institucional da UFOP
collection Repositório Institucional da UFOP
repository.name.fl_str_mv Repositório Institucional da UFOP - Universidade Federal de Ouro Preto (UFOP)
repository.mail.fl_str_mv repositorio@ufop.edu.br
_version_ 1856654647492608000

Registros relacionados