<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">
ATENÇÃO: O depósito de novas publicações está temporariamente suspenso.

Aplicação de redes neurais convolucionais densamente conectadas no processamento digital de imagens para remoção de ruído gaussiano

dc.contributor.advisorMello, Flavio Luis de
dc.contributor.advisorCo1Almeida, Heraldo Luís Silveira de
dc.contributor.advisorCo1Latteshttp://lattes.cnpq.br/5485306951214599pt_BR
dc.contributor.referee1Gomes, José Gabriel Rodriguez Carneiro
dc.contributor.referee2Savarese, Pedro Henrique Pamplona
dc.creatorMazza, Leonardo Oliveira
dc.creator.Latteshttp://lattes.cnpq.br/8123046464465333pt_BR
dc.date.accessioned2022-07-27T20:33:39Z
dc.date.available2026-05-16T03:00:49Z
dc.date.issued2017-02
dc.description.resumoEste trabalho propõe uma aplicação de uma rede neural convolucional profunda em remoção de ruído gaussiano de imagens. Redes profundas têm obtido êxito em diversas tarefas de classificação e regressão. Em particular, a Rede Neural Convolucional Densamente Conectada tˆem apresentado resultados competitivos em bases de dados padrão usadas em medidas de desempenho. Por isso, essa rede foi escolhida como modelo de regressão com o objetivo de remoção de ruído gaussiano. A metodologia para treinamento da rede foi iniciada pela cria¸c˜ao de uma base de dados de imagens ruidosas. Essas imagens foram, então, colocadas na entrada da rede para filtragem e a saída foi comparada com a versão sem ruído a partir de uma função custo. Os parâmetros da rede foram, em seguida, alterados a partir de um método baseado em descida de gradiente a fim de minimizar o custo. Dessa forma, a rede treinada aprende a remover o ruído aplicado. O resultado final, comparado a outros métodos, possuiu melhores indicadores de desempenho em duas das três imagens de teste e obteve resultados próximos em uma terceira. Durante a filtragem com ruído de variância 400, as imagens Lena e Boats obtiveram SSIM de 0.84 e 0.83 respectivamente. Na imagem Lena, o resultado foi 0.05 superior ao método GSM e na imagem Boats 0.02 superior ao m´etodo SVR, ambos o segundo melhor método em cada imagem. Na imagem Barbara, o resultado foi o segundo melhor com SSIM 0.84, 0.02 inferior ao método GSM.pt_BR
dc.embargo.termsabertopt_BR
dc.identifier.urihttp://hdl.handle.net/11422/17972
dc.languageporpt_BR
dc.publisherUniversidade Federal do Rio de Janeiropt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola Politécnicapt_BR
dc.publisher.initialsUFRJpt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectRedes Neurais Artificiaispt_BR
dc.subjectRedes Neurais Convolucionais Profundapt_BR
dc.subjectProcessamento de Imagenspt_BR
dc.subject.cnpqCNPQ::ENGENHARIASpt_BR
dc.titleAplicação de redes neurais convolucionais densamente conectadas no processamento digital de imagens para remoção de ruído gaussianopt_BR
dc.title.alternativeapplication of densely connected convolutional neural networks in digital image processing to remove Gaussian noisept_BR
dc.typeTrabalho de conclusão de graduaçãopt_BR

Arquivos

Pacote original

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
monopoli10019807.pdf
Tamanho:
3,84 MB
Formato:
Adobe Portable Document Format

Pacote de licença

Agora exibindo 1 - 1 de 1
Carregando...
Imagem de Miniatura
Nome:
license.txt
Tamanho:
1,81 KB
Formato:
Item-specific license agreed upon to submission
Descrição: