Publicação: Redes neurais: uma aplicação de visão computacional.
Carregando...
Arquivos
Tipo do documento
Data
Direito de acesso
Coleções
Programa
Área do conhecimento
CNPQ::ENGENHARIAS
Título da Revista
ISSN da Revista
Título de Volume
Autores
Orientador
Coorientador
Resumo
Redes neurais artificiais têm se tornado essenciais em diversas áreas devido à sua capaci-
dade de resolver problemas complexos. A análise de diferentes arquiteturas é importante
para otimizar o desempenho dos modelos em tarefas específicas. Este Trabalho de Conclu-
são de Curso explora a aplicação de redes neurais artificiais, com foco nas arquiteturas de
neurônios totalmente conectadas e convolucionais, em problemas de visão computacional.
O objetivo principal é comparar a performance de diferentes arquiteturas utilizando o
dataset Fashion MNIST, composto por imagens de artigos de moda. Foram implementados
e treinados modelos de redes sequenciais e convolucionais com técnicas de regularização,
como Batch Normalization e Dropout, para analisar o impacto dessas abordagens no
desempenho da classificação de imagens. Os resultados indicam que redes convolucionais
superam as redes sequenciais em termos de acurácia e capacidade de generalização, espe-
cialmente quando combinadas com técnicas de normalização e regularização. Conclui-se
que a arquitetura convolucional, embora mais complexa, oferece melhores resultados em
tarefas de visão computacional.
Abstract
Artificial neural networks have become essential in various fields due to their ability to
solve complex problems. Analyzing different architectures is important to optimize model
performance in specific tasks. This undergraduate thesis explores the application of artifi-
cial neural networks, focusing on fully connected and convolutional neuron architectures,
in computer vision problems. The main objective is to compare the performance of these
architectures using the Fashion MNIST dataset, composed of images of fashion articles.
Sequential and convolutional network models were implemented and trained with regula-
rization techniques such as Batch Normalization and Dropout to analyze the impact of
these approaches on image classification performance. The results indicate that convolu-
tional networks outperform sequential networks in terms of accuracy and generalization
capacity, especially when combined with normalization and regularization techniques. It
is concluded that the convolutional architecture, although more complex, offers better
results in computer vision tasks.
Palavras-chave
Redes Neurais,, Visão Computacional,, Batch Normalization,, Dropout,, Fashion MNIST, Neural Networks,, Computer Vision,
Citação
MOURA, João Lucas Almeida. Redes neurais: uma aplicação de visão computacional. 2024. 39 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Aeronáutica) – Universidade Federal de Uberlândia, Uberlândia, 2025.