PRODUÇÃO ACADÊMICA Repositório Acadêmico da Graduação (RAG) TCC Ciência da Computação
Use este identificador para citar ou linkar para este item: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/390
Registro completo de metadados
Campo DCValorIdioma
dc.creatorCardoso, Matheus Souza-
dc.date.accessioned2020-12-10T19:19:33Z-
dc.date.available2020-12-10T19:19:33Z-
dc.date.issued2020-12-02-
dc.identifier.urihttps://repositorio.pucgoias.edu.br/jspui/handle/123456789/390-
dc.description.sponsorshipNão recebi financiamentopt_BR
dc.languageporpt_BR
dc.publisherPontifícia Universidade Católica de Goiáspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectRedes neurais convolucionaispt_BR
dc.subjectVeiaspt_BR
dc.subjectSegmentação semânticapt_BR
dc.subjectBase de dadospt_BR
dc.titleSegmentação de veias do pulso com uso de segmentação semânticapt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Galvão Filho, Arlindo Rodrigues-
dc.contributor.advisor1IDhttps://orcid.org/0000-0003-2151-8039pt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/7744765287200890pt_BR
dc.contributor.referee1Carvalho, Rafael Viana de-
dc.contributor.referee1IDhttps://orcid.org/0000-0001-8656-5472pt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/8037512088703488pt_BR
dc.contributor.referee2Franco, Ricardo Augusto Pereira-
dc.contributor.referee2IDhttps://orcid.org/0000-0001-7169-3367pt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/5597959559288383pt_BR
dc.description.resumoEste trabalho propõe o estudo de segmentação semântica de imagens utilizando redes neurais profundas. Foi gerada uma base de dados de anotações de imagens do pulso no espectro infravermelho, para realizar o treinamento de diferentes Redes Neurais Convolucionais (CNNs) para segmentação semântica. Em um primeiro momento foram treinados três CNNs diferentes (U-Net, SegNet e DeepLabv3) utilizando a mesma disposição de dados de treinamento e teste, onde as imagens dos primeiros 56 indivíduos foram utilizadas para treinamento e as últimas 37 para teste, os resultados dos modelos foram comparados e a que obteve os melhores valores de acurácia para detecção de veias foi a SegNet. Por fim o modelo SegNet foi treinado novamente com a separação dos dados de treinamento e teste feito de duas formas diferentes, no primeiro caso foram utilizadas três imagens de cada indivíduo para treinamentos e duas para teste e no segundo caso os dados de treinamento e teste foram distribuídos aleatoriamente, sendo 60% das imagens totais para treinamento e 40% para teste, para estes dois últimos testes não houve melhora nos resultados. Foi possível concluir que a SegNet se mostrou ser mais eficaz para a segmentação de veias para a base de dados utilizada no trabalho em comparação com outras CNNs, além disso, foi possível observar que os modelos em geral não obtiveram excelentes resultado, pois foram utilizados poucos dados para treinamento e teste.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola de Ciências Exatas e da Computaçãopt_BR
dc.publisher.initialsPUC Goiáspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.degree.graduationCiência da Computaçãopt_BR
dc.degree.levelGraduaçãopt_BR
Aparece nas coleções:TCC Ciência da Computação

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
TCC Versao Final.pdf1,06 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.

Ferramentas do administrador