Implementação de redes neurais profundas para reconhecimento de ações em vídeo

Kovaleski, Patrícia de Andrade

Please use this identifier to cite or link to this item: http://hdl.handle.net/11422/17226

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	Silva, Eduardo Antônio Barros da	-
dc.contributor.author	Kovaleski, Patrícia de Andrade	-
dc.date.accessioned	2022-06-14T19:15:23Z	-
dc.date.available	2023-12-21T03:08:55Z	-
dc.date.issued	2018-02	-
dc.identifier.uri	http://hdl.handle.net/11422/17226	-
dc.language	por	pt_BR
dc.publisher	Universidade Federal do Rio de Janeiro	pt_BR
dc.rights	Acesso Aberto	pt_BR
dc.subject	Processamento de imagens	pt_BR
dc.subject	Redes neurais convolucionais	pt_BR
dc.subject	Aprendizado de máquina	pt_BR
dc.subject	Reconhecimento de ação	pt_BR
dc.title	Implementação de redes neurais profundas para reconhecimento de ações em vídeo	pt_BR
dc.title.alternative	Implementation of deep neural networks for video action recognition	pt_BR
dc.type	Trabalho de conclusão de graduação	pt_BR
dc.contributor.advisorCo1	Nunes, Leonardo de Oliveira	-
dc.contributor.referee1	Mello, Flávio Luís de	-
dc.contributor.referee2	Campos, Marcelo Luiz Rodrigues de	-
dc.description.resumo	Neste trabalho é apresentada a implementação de redes convolucionais profundas para reconhecimento de ações em vídeos baseando-se na consolidada arquitetura de dois canais; composta por um canal temporal, responsável pelo processamento de fluxo óptico, e um canal espacial, que recebe imagens RGB estáticas. Para isso, um processo de treinamento foi construído utilizando um novo e promissor conjunto de ferramentas, o CNTK. Foram propostas modificações à camada de entrada da rede base por questões de compatibilidade com o formato dos dados utilizado. O desenvolvimento foi feito de modo a replicar, o mais próximo possível, os resultados reportados no artigo original. O melhor resultado obtido para esta nova implementação alcançou 89.1% de precisão média para a base de teste, enquanto o reportado pelo artigo alcança 87.0%. Portanto, o processo e as modificações realizadas foram validados; bem como o método e resultados reportados pelo trabalho original.	pt_BR
dc.publisher.country	Brasil	pt_BR
dc.publisher.department	Escola Politécnica	pt_BR
dc.publisher.initials	UFRJ	pt_BR
dc.subject.cnpq	CNPQ::ENGENHARIAS	pt_BR
dc.embargo.terms	aberto	pt_BR
Appears in Collections:	Engenharia de Computação e Informação

Files in This Item:

File	Description	Size	Format
monopoli10023237.pdf		3.32 MB	Adobe PDF	View/Open

Show simple item record Recommend this item View Statistics

Pantheon Institutional repository