(Objetivo)

O campo da visão computacional teve um progresso notável, em grande parte devido aos avanços na aprendizagem profunda. Esses desenvolvimentos revolucionaram o reconhecimento, a interpretação e a aplicação de imagens em vários domínios. Este documento apreseta uma nova estrutura projetada para ampliar o potencial dos sistemas de visão computacional, aproveitando o poder das técnicas de aprendizagem profunda. As redes neurais profundas são fundamentais para esse novo sistema e oferecem precisão e confiabilidade excepcionais em tarefas essenciais, como reconhecimento de objetos, segmentação de imagens e compreensão de cenas.

(Metodologia)

Além disso, essa estrutura oferece uma plataforma versátil para o processamento de imagens em tempo real, abrindo caminho para inúmeras aplicações em áreas como automação industrial, diagnóstico médico e veículos autônomos. Este estudo explora de forma abrangente os elementos arquitetônicos e as metodologias que impulsionam essa estrutura inovadora. Ele enfatiza os recursos tecnológicos, a escalabilidade, a adaptabilidade e o potencial da estrutura para ampla adoção em todos os setores que buscam soluções avançadas de visão computacional.

(Resultados)

O modelo proposto, Rede Neural Convolucional - Rede Piramidal de Recursos (CNN-FPN), demonstra desempenho superior em todas as métricas avaliadas para detecção de objetos em comparação com os modelos existentes. Especificamente, ele atinge as pontuações mais altas em Exatidão (57,2%), Recuperação (60,4%), Precisão (94,1%), F1-Score (73,5%) e AUC (0,983). Esses resultados indicam que o modelo proposto oferece desempenho e confiabilidade superiores para tarefas de detecção de objetos, mostrando seu potencial para aplicações de visão computacional de alta precisão.

(Conclusões)

Em conclusão, esta arquitetura inovadora representa um avanço significativo na visão computacional, possibilitado pelos recursos de aprendizagem profunda. Nossos resultados de teste mostram que, em comparação com os algoritmos convencionais, o CNN-FPN aprimorado produziu resultados mais precisos.

        · abstract in English | Spanish     · text in English     · English ( pdf )