1. Repositório Institucional - Universidade Federal de Uberlândia
  2. Faculdade de Computação (FACOM)
  3. TCC - Sistemas de Informação (Uberlândia)
Please use this identifier to cite or link to this item: https://repositorio.ufu.br/handle/123456789/44916
Full metadata record
DC FieldValueLanguage
dc.creatorJunior, Carlos Humberto Martins-
dc.date.accessioned2025-02-25T13:10:15Z-
dc.date.available2025-02-25T13:10:15Z-
dc.date.issued2024-10-31-
dc.identifier.citationJUNIOR, Carlos Humberto Martins. Análise de classificadores aplicados às projeções na Garrafa de Klein. 2024. 73 f. Trabalho de Conclusão de Curso (Graduação em Sistemas de Informação) – Universidade Federal de Uberlândia, Uberlândia, 2024.pt_BR
dc.identifier.urihttps://repositorio.ufu.br/handle/123456789/44916-
dc.languageporpt_BR
dc.publisherUniversidade Federal de Uberlândiapt_BR
dc.rightsAcesso Abertopt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nd/3.0/us/*
dc.subjectTexturas, Garrafa de Klein, Aprendizado de Máquina, Deep Learning, Convolutional Neural Networks.pt_BR
dc.titleAnálise de classificadores aplicados às projeções na Garrafa de Kleinpt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Ribeiro, Thiago Pirola-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/8887726177714522pt_BR
dc.contributor.referee1Escarpinati, Mauricio Cunha-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/5939941255055989pt_BR
dc.contributor.referee2Nascimento, Marcelo Zanchetta do-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5800175874658088pt_BR
dc.creator.Latteshttps://lattes.cnpq.br/7161128900942790pt_BR
dc.description.degreenameTrabalho de Conclusão de Curso (Graduação)pt_BR
dc.description.resumoEste trabalho propõe o estudo e a implementação de técnicas avançadas para a caracterização de texturas artificiais e naturais em imagens digitais, adaptando as técnicas de Ribeiro, Oliveira e Barcelos (2018) ao contexto das projeções no espaço da garrafa de klein. Foram aplicados novos classificadores, incluindo modelos não supervisionados como KNN, K-Means Clustering, modelos de Deep Learning. O trabalho também abordou técnicas de Aprendizado por Reforço, como Q-Learning, LabelPropagation, MLPClassifier. Algumas Bases de Imagens públicas foram testadas e foram obtidos resultados, por exemplo, na análise detalhada dos experimentos e das métricas revelou o desempenho dos diferentes algoritmos, destacando as vantagens e desvantagens de cada abordagem em contextos específicos. Os modelos de Machine Learning propostos (Rede Neural Convolucional (CNN), K-Nearest Neighbors (KNN) e Classificador baseado em Redes Neurais Multicamadas (MLP-Classifier)) atingindo acurácias de 87,02% na Base CUReT e 88,34% na Base KTH-TIPS. Durantes as análises dos resultados obtidos, obteve-se insights sobre a aplicação de algoritmos de machine learning para problemas de classificação em imagens. Pretende-se aplicar IA Generativa e Modelos de Fine-Tuning para melhoria dos resultados.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.courseSistemas de Informaçãopt_BR
dc.sizeorduration72pt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO::SISTEMAS DE INFORMACAOpt_BR
dc.orcid.putcode178944513-
Appears in Collections:TCC - Sistemas de Informação (Uberlândia)

Files in This Item:
File Description SizeFormat 
Garrafa_de_Klein.pdf2.2 MBAdobe PDFThumbnail
View/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons