{"id":{"repo_id":"brazil-uff","oai_identifier":"oai:app.uff.br:1/38012"},"canonical_url":"https://search.dev.ndltd.org/etd/brazil-uff/oai:app.uff.br:1/38012","repository":{"repo_id":"brazil-uff","name":"Brazil UFF","base_url":"https://app.uff.br/oai/request"},"display":{"title":"Estudo comparativo de redes neurais convolucionais para classificação de imagens","abstract":"O processo de reconhecimento de objetos em imagens tem se tornado cada vez mais eficiente para os computadores, graças aos avanços em visão computacional, especialmente com o uso de redes neurais profundas. Esses modelos, que foram introduzidos e desenvolvidos nos anos de 1990, têm sido aplicados em uma variedade de problemas de classificação de imagens. Neste estudo, foram implementadas duas redes neurais convolucionais: InceptionV3 e Xception. O principal objetivo da pesquisa foi realizar uma comparação entre essas implementações, avaliando qual delas apresenta o melhor desempenho na classificação de imagens, utilizando como base algumas métricas específicas. Para o problema de classificação de imagens de ressonância magnética (MRI), a rede Xception obteve o melhor resultado de acurácia, alcançando 99%, o que evidenciou a eficácia das redes no enfrentamento desta tarefa.","abstract_html":"O processo de reconhecimento de objetos em imagens tem se tornado cada vez mais eficiente para os computadores, graças aos avanços em visão computacional, especialmente com o uso de redes neurais profundas. Esses modelos, que foram introduzidos e desenvolvidos nos anos de 1990, têm sido aplicados em uma variedade de problemas de classificação de imagens. Neste estudo, foram implementadas duas redes neurais convolucionais: InceptionV3 e Xception. O principal objetivo da pesquisa foi realizar uma comparação entre essas implementações, avaliando qual delas apresenta o melhor desempenho na classificação de imagens, utilizando como base algumas métricas específicas. Para o problema de classificação de imagens de ressonância magnética (MRI), a rede Xception obteve o melhor resultado de acurácia, alcançando 99%, o que evidenciou a eficácia das redes no enfrentamento desta tarefa.","abstract_has_math":false,"creators":["Silva, Allan Lucas da"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":null,"date_issued":"","date_published":null,"updated_at":"2026-07-27T19:00:35Z","subjects":[],"languages":["pt_BR"],"rights":["Open Access"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://app.uff.br/riuff/handle/1/38012","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Silva, Allan Lucas da"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2025-04-29T15:50:48Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2025-04-29T15:50:48Z"]},{"key":"dc:type","label":"Dc Type","values":["Trabalho de conclusão de curso"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["pt_BR"]},{"key":"dc:language.iso","label":"Language (ISO)","values":["pt_BR"]},{"key":"dc:rights","label":"Dc Rights","values":["Open Access"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://app.uff.br/riuff/handle/1/38012"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["O processo de reconhecimento de objetos em imagens tem se tornado cada vez mais eficiente para os computadores, graças aos avanços em visão computacional, especialmente com o uso de redes neurais profundas. Esses modelos, que foram introduzidos e desenvolvidos nos anos de 1990, têm sido aplicados em uma variedade de problemas de classificação de imagens. Neste estudo, foram implementadas duas redes neurais convolucionais: InceptionV3 e Xception. O principal objetivo da pesquisa foi realizar uma comparação entre essas implementações, avaliando qual delas apresenta o melhor desempenho na classificação de imagens, utilizando como base algumas métricas específicas. Para o problema de classificação de imagens de ressonância magnética (MRI), a rede Xception obteve o melhor resultado de acurácia, alcançando 99%, o que evidenciou a eficácia das redes no enfrentamento desta tarefa."]},{"key":"dc:title","label":"Title","values":["Estudo comparativo de redes neurais convolucionais para classificação de imagens"]}]}],"canonical_facts":{"dc:creator":["Silva, Allan Lucas da"],"dc:date.accessioned":["2025-04-29T15:50:48Z"],"dc:date.available":["2025-04-29T15:50:48Z"],"dc:description.abstract":["O processo de reconhecimento de objetos em imagens tem se tornado cada vez mais eficiente para os computadores, graças aos avanços em visão computacional, especialmente com o uso de redes neurais profundas. Esses modelos, que foram introduzidos e desenvolvidos nos anos de 1990, têm sido aplicados em uma variedade de problemas de classificação de imagens. Neste estudo, foram implementadas duas redes neurais convolucionais: InceptionV3 e Xception. O principal objetivo da pesquisa foi realizar uma comparação entre essas implementações, avaliando qual delas apresenta o melhor desempenho na classificação de imagens, utilizando como base algumas métricas específicas. Para o problema de classificação de imagens de ressonância magnética (MRI), a rede Xception obteve o melhor resultado de acurácia, alcançando 99%, o que evidenciou a eficácia das redes no enfrentamento desta tarefa."],"dc:identifier.uri":["https://app.uff.br/riuff/handle/1/38012"],"dc:language":["pt_BR"],"dc:language.iso":["pt_BR"],"dc:rights":["Open Access"],"dc:title":["Estudo comparativo de redes neurais convolucionais para classificação de imagens"],"dc:type":["Trabalho de conclusão de curso"]},"updated_at":"2026-07-27T19:00:35Z"}