Avaliação de aprendizagem LBP para segmentação semântica de pavimentação asfáltica baseada em U-Net
A direção autônoma emerge naturalmente do notável avanço demonstrado pela Inteligência Artificial (IA) nos últimos anos, impulsionada, em grande parte, pelo desenvolvimento contínuo de recursos de hardware e software. Nesse contexto, este trabalho propõe a aplicação de ferramentas de IA, mais especi...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Recursos: | Universidade Estadual de Londrina (UEL) |
| Repositorio: | Repositório Institucional da UEL |
| Idioma: | portugués |
| OAI Identifier: | oai:repositorio.uel.br:123456789/18052 |
| Acesso em linha: | https://repositorio.uel.br/handle/123456789/18052 |
| Access Level: | acceso abierto |
| Palavra-chave: | Inteligência artificial Aprendizagem de máquina Aprendizagem profunda Redes neurais artificiais Visão computacional Direção autônoma Local Binary Pattern (LBP) Engenharias - Engenharia Elétrica Artificial intelligence Machine learning Deep learning Artificial neural networks Computer vision Autonomous driving |
| Resumo: | A direção autônoma emerge naturalmente do notável avanço demonstrado pela Inteligência Artificial (IA) nos últimos anos, impulsionada, em grande parte, pelo desenvolvimento contínuo de recursos de hardware e software. Nesse contexto, este trabalho propõe a aplicação de ferramentas de IA, mais especificamente no domínio da Aprendizagem Profunda, para realizar a segmentação semântica de pavimentações asfálticas em imagens rasterizadas. A abordagem adotada utiliza a rede neural U-Net para alcançar esse objetivo, enquanto o algoritmo Local Binary Pattern (LBP) é investigado devido à sua vantagem declarada de invariância luminosa. Este trabalho contribui ao validar que a integração do algoritmo LBP pode aprimorar o desempenho da rede neural U-Net, especialmente em condições não previstas na base de dados de treinamento original. |
|---|