Navegando por CNPq "CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::TEORIA DA COMPUTACAO::ANALISE DE ALGORITMOS E COMPLEXIDADE DE COMPUTACAO"
Agora exibindo 1 - 3 de 3
Resultados por página
Opções de Ordenação
Trabalho de Curso - Graduação - Artigo Acesso aberto (Open Access) A utilização de ferramentas de inteligência artificial no uso de traduções de vídeos para linguagens estrangeiras: uma abordagem técnica e ética(2024-11-01) BARATA, Yago Matheus de França; FERREIRA JUNIOR, José Jailton Henrique; http://lattes.cnpq.br/9031636126268760Este artigo examina o uso de ferramentas de IA na dublagem e tradução de conteúdo audiovisual, considerando aspectos técnicos e éticos. Com o crescimento do streaming e a globalização de produções, a demanda por dublagem automatizada aumentou. Foram analisadas as ferramentas Rask, Notta AI Showcase e Vidnoz, destacando eficiência, redução de custos e acessibilidade. Contudo, surgem dilemas éticos como a desvalorização do trabalho humano e a proteção dos direitos de imagem. Conclui-se que, apesar dos avanços, é essencial regulamentar o uso de IA para equilibrar progresso tecnológico e valor artístico humano.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Avaliação de modelos de detecção de objetos na identificação de doenças pulmonares e cardíacas em imagens de raio-x torácicos(2024-10-04) PEREIRA, Lucas Vitor Loch; PINHEIRO, Daniel da Conceição; http://lattes.cnpq.br/2970581734279237As doenças pulmonares e cardíacas representam um dos maiores desafios à saúde pública, sendo responsáveis por uma significativa taxa de mortalidade global, cenário que foi ainda mais agravado pela pandemia de COVID-19, que evidenciou a importância de diagnósticos precoces e precisos. Nesse contexto, a radiografia torácica destaca-se como um dos métodos mais eficazes para a detecção dessas patologias, pois permite uma análise detalhada da caixa torácica, pulmões e coração, fornecendo informações cruciais para o diagnóstico e acompanhamento clínico. Este trabalho propõe uma análise comparativa entre quatro modelos de detecção de objetos — YOLOv5, YOLOv8, Faster R-CNN e RetinaNet — com o objetivo de avaliar qual deles apresenta o melhor desempenho em precisão e sensibilidade na identificação de doenças pulmonares e cardíacas em imagens de raio-X torácico. A pesquisa examina as características específicas de cada modelo, considerando a eficácia na identificação de diversas patologias, como atelectasia, cardiomegalia, efusão, infiltração e pneumonia, e explora as métricas de avaliação, como precisão, sensibilidade e taxa de falsos positivos, para determinar qual modelo se destaca na prática clínica. Os resultados esperados visam contribuir para o avanço da detecção automatizada dessas doenças, oferecendo uma base sólida para a implementação de tecnologias de inteligência artificial em ambientes clínicos, com o intuito de melhorar a acurácia dos diagnósticos e, consequentemente, os desfechos dos pacientes.Trabalho de Curso - Graduação - Monografia Acesso aberto (Open Access) Sistema de classificação de imagens utilizando uma rede neural Squeezenet embarcada em uma Raspberry Pi(2023-07-10) SILVA, Kamilla Taiwhscki Barros; SILVA, Cleison Daniel; http://lattes.cnpq.br/1445401605385329; https://orcid.org/0000-0001-8280-2928A Visão Computacional é um campo da Inteligência Artificial caracterizado pelo estudo das informações existentes em imagens, identificando suas características intrínsecas. O estudo da Visão Computacional tem como objetivo a criação de modelos artificiais que imitem as habilidades analíticas da visão humana, para isso são utilizados conceitos de Processamento Digital de Imagens para extrair informações a serem estudadas. Realizar essas operações exige uma grande quantidade de dados para ser efetiva e para isso necessitam-se de algoritmos capazes de processarem essas informações. Nesse contexto, algoritmos de Aprendizado Profundo são ideais para trabalharem com uma imensa quantidade de dados, visto estes possuem eficiência e eficácia para tal. Dessa forma, o uso de Redes Neurais para este propósito se torna bastante adequado, pois essa ferramenta permite que seja possível aprender a partir de um conjunto de exemplos de forma que a generalização dos dados seja adequada aos exemplos fornecidos. No caso de imagens, Redes Neurais Convolucionais são o estado da arte na área de Visão Computacional, sendo possível observar diversas aplicações que envolvem a classificação de imagens, identificação de objetos e reconhecimento de faces. Porém, esses algoritmos são robustos e apresentam uma complexa implementação, possuindo diversos parâmetros livres que são determinados durante a execução, exigindo que o hardware que o comporta possua elevada capacidade computacional para funcionar sem erros ou com tempo de execução exacerbado. Para o caso de sistemas embarcados que necessitam de baixo custo de implementação, computadores de placa única são comumente adotados, considerando que tais hardwares podem ser aplicados em diversos contextos e possuem baixo custo de execução. Todavia, esses dispositivos são restritos em relação ao poder computacional e é necessário um grande estudo das técnicas que permitam a execução de algoritmos complexos em seus hardwares. Dessa forma, este trabalho tem o intuito de apresentar um exemplo de implementação de um classificador de imagens em um Computador de Placa Única com uma Rede Neural Convolucional (CNN) sendo executada. São expostos os conceitos de CNNs e de Processamento Digital de Imagens utilizados durante o desenvolvimento do projeto. O classificador desenvolvido captura imagens de dígitos manuscritos e classifica-os em tempo real em 10 classes distribuídas de 0 a 9. Além disso, demonstra-se as técnicas de Processamento Digital de Imagens desenvolvidas, que utilizam o Filtro Gaussiano para aproximar as imagens utilizadas para o treinamento da CNN e as imagens utilizadas durante o teste do classificador embarcado. Os resultados da classificação do sistema demonstram-se razoáveis para o cenário estabelecido, sendo resultados relevantes para o trabalho em questão, em especial ao que diz respeito a acurácia de classificação do sistema de 76% e uma precisão de 80% ao classificar as imagens.