Visão computacional e IA para medidas corporais: uma análise comparativa entre MNASNet e SnapMeasurementAI

Página do item simplificado
dc.contributor.advisor-co1TEIXEIRA, Raphael Barros
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/4902824086591521
dc.contributor.advisor-co1ORCIDhttps://orcid.org/0000-0003-2993-802X
dc.contributor.advisor1PINHEIRO, Daniel da Conceição
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/2970581734279237
dc.creatorARAUJO, Márcio Gabriel dos Santos de
dc.date.accessioned2026-08-18T13:37:24Z
dc.date.available2026-08-18T13:37:24Z
dc.date.issued2026-07-10
dc.description.abstractThis study investigates the application of artificial intelligence and computer vision techniques for estimating human body measurements from images, focusing on their use in clothing size recommendation systems for e-commerce. The rapid growth of online fashion retail has highlighted significant challenges related to incorrect size selection, which directly impacts customer experience and operational costs. In this context, a comparative analysis was conducted between two approaches: MNASNet, a model trained on real-world data, and SnapMeasurementAI, a commercially available solution. The methodology involved the use of datasets containing frontal and lateral images combined with anthropometric information, as well as model evaluation using the Mean Absolute Error (MAE) metric and clothing size classification based on commercial sizing charts. The results revealed significant differences between the evaluated approaches. MNASNet achieved an MAE of 3.7 cm for female subjects and 6.9 cm for male subjects, indicating better performance for women and evidencing the presence of bias in the model. In practical evaluations based on commercial sizing charts, the model achieved a 50% accuracy rate for chest and waist size classification using Insider® clothing tables, but only 17% accuracy for hip measurements, with average errors reaching 10.1 cm. In contrast, SnapMeasurementAI demonstrated more balanced performance across genders and lower overall variability, indicating greater robustness and generalization capability. The results also showed that converting estimated body measurements into clothing size categories remains one of the main practical challenges, since variations of only a few centimeters can lead to different size recommendations. It is concluded that, although both approaches demonstrate potential for size recommendation systems, limitations related to accuracy, robustness, and generalization still affect their practical applicability. The findings highlight the need for further improvements in data balancing, bias reduction, and the development of more reliable strategies for converting body measurements into commercial clothing sizes.
dc.description.resumoO presente trabalho investiga a aplicação de técnicas de inteligência artificial e visão computacional na estimativa das medidas corporais do tórax, cintura e quadril a partir de imagens, com foco em sua utilização em sistemas de recomendação de tamanhos para o comércio eletrônico de vestuário. O crescimento acelerado do e-commerce de moda tem evidenciado desafios relevantes relacionados à escolha inadequada de tamanhos, impactando diretamente a experiência do consumidor e os custos operacionais das empresas. Nesse contexto, foi realizada uma análise comparativa entre duas abordagens: o modelo MNASNet, treinado com dados reais, e a solução SnapMeasurementAI. A metodologia envolveu a utilização de datasets compostos por imagens frontais e laterais associadas a informações antropométricas, bem como a avaliação por meio da métrica erro absoluto médio (MAE) e da conversão das medidas estimadas em categorias de tamanho comerciais. Os resultados demonstraram diferenças significativas entre os modelos. O MNASNet apresentou MAE de 3,7 cm para o grupo feminino e 6,9 cm para o grupo masculino, indicando melhor desempenho para mulheres e evidenciando a presença de viés. Na avaliação prática utilizando tabelas comerciais, o modelo atingiu 50% de acerto para classificação de tamanhos baseada em tórax e cintura da marca Insider, porém apenas 17% de acerto para medidas de quadril, associadas a erros médios de até 10,1 cm. Em contrapartida, o SnapMeasurementAI apresentou desempenho mais equilibrado entre os gêneros e menor variabilidade global, demonstrando maior robustez e capacidade de generalização. Os resultados também evidenciaram que a conversão das medidas estimadas em tamanhos de vestuário constitui um dos principais desafios práticos da aplicação, uma vez que diferenças de poucos centímetros podem alterar significativamente a classificação final de tamanho. Conclui-se que, embora ambas as abordagens apresentem potencial para sistemas de recomendação de vestuário, ainda existem limitações relacionadas à precisão, robustez e generalização, reforçando a necessidade de aprimoramento dos modelos e de estratégias mais eficazes para conversão de medidas em categorias comerciais.
dc.identifier.citationARAUJO, Márcio Gabriel dos Santos de. Visão computacional e IA para medidas corporais: uma análise comparativa entre MNASNet e SnapMeasurementAI. Orientador: Daniel da Conceição Pinheiro; Coorientador: Raphael Barros Teixeira. 2026. 64 f. Trabalho de Curso (Bacharelado em Engenharia Elétrica) – Faculdade de Engenharia Elétrica, Campus Universitário de Tucuruí, Universidade Federal do Pará, Tucuruí, 2026. Disponível em: https://bdm.ufpa.br/handle/prefix/9962. Acesso em:.
dc.identifier.urihttps://bdm.ufpa.br/handle/prefix/9962
dc.rightsAcesso Abertopt_BR
dc.rights.licenseAttribution-NonCommercial-NoDerivs 3.0 Brazilen
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/
dc.source.uriDisponível na internet via Sagittapt_BR
dc.subjectInteligência artificial
dc.subjectVisão computacional
dc.subjectMedidas corporais
dc.subjectEstimativa antropométrica
dc.subjectRecomendação de tamanhos
dc.subjectArtificial intelligence
dc.subjectComputer vision
dc.subjectBody measurements
dc.subjectAnthropometric estimation
dc.subjectSize recommendation systems
dc.subject.cnpqCNPQ::ENGENHARIAS
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::METODOLOGIA E TECNICAS DA COMPUTACAO
dc.titleVisão computacional e IA para medidas corporais: uma análise comparativa entre MNASNet e SnapMeasurementAI
dc.typeTrabalho de Curso - Graduação - Monografiapt_BR

Arquivo(s)

Pacote Original
Agora exibindo 1 - 1 de 1
Imagem de Miniatura
Nome:
TC_VisaoComputacionalIa.pdf
Tamanho:
1.67 MB
Formato:
Adobe Portable Document Format
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.84 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Aparece na Coleção

Faculdade de Engenharia Elétrica - FEE/CAMTUC
Logo do RepositórioLogo do Repositório