Uma abordagem de extração de grafite com multiagente e identificação por CNNs

• Ano de defesa: 2019
• Autor(a) principal: Santos, Glauco Roberto Munsberg dos
• Orientador(a): Araújo, Ricardo Matsumura de
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Federal de Pelotas
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação
• Departamento: Centro de Desenvolvimento Tecnológico
• País: Brasil
• Palavras-chave em Português: Grafite; Arte urbana; Rede neural convolucional; Aprendizado profundo; Sistemas multiagente; Graffiti; Urban art; Convolutional neural networks; Deep learning; Multiagents system
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
• Link de acesso: http://guaiaca.ufpel.edu.br/handle/prefix/4816

O grafite é um intervenção urbana que utiliza muros, paredes e postes como suporte e geralmente está ligado a uma mensagem social ou política, estas representações urbanas são, muitas vezes, um importante indicador social. Mapeá-los e rastreá-los permite compreender como essas intervenções interagem com os demais elementos do meio urbano. Este trabalho tem por objetivo avaliar o uso de Redes Neurais Convolucionais e Sistemas Multiagente para localizar e mapear grafites em cidades, a partir de imagens em nível de rua provenientes do Google Street View. O método utilizado foi a elaboração de quatro experimentos com as redes neurais pré-treinadas e reuso dos seus classificadores para o novo contexto de identificação de grafite. Utilizamos para isso a técnica de fine-tuning com imagens extraídas do Flickr e do Google Street View. Através da análise dos modelos será mostrado que o reuso dos classificadores é promissor, diminuindo o tempo de treinamento das redes e obtendo modelos com resultados de 76,9% para a taxa de verdadeiros positivos quando testado o dataset do Flickr e sensibilidade de 71,43% em imagens do ambiente urbano. Destaca-se ainda neste trabalho o sistema multiagente capaz de percorrer o ambiente urbano do Google Street View e analisar em média 61 imagens por minuto para cada agente.