1. Identificação | |
Tipo de Referência | Relatório (Report) |
Site | mtc-m21c.sid.inpe.br |
Código do Detentor | isadg {BR SPINPE} ibi 8JMKD3MGPCW/3DT298S |
Identificador | 8JMKD3MGP3W34R/3U2S9F5 |
Repositório | sid.inpe.br/mtc-m21c/2019/09.11.12.32 |
Última Atualização | 2019:09.11.12.32.47 (UTC) simone |
Repositório de Metadados | sid.inpe.br/mtc-m21c/2019/09.11.12.32.47 |
Última Atualização dos Metadados | 2022:07.08.20.07.36 (UTC) administrator |
Chave de Citação | FuhrLimaCamp:2019:FrMaLe |
Título | Framework de machine learning para busca de melhores parâmetros em algoritmos de restauração de imagens |
Ano | 2019 |
Data de Acesso | 01 maio 2024 |
Tipo | RPQ |
Número de Páginas | 15 |
Número de Arquivos | 1 |
Tamanho | 753 KiB |
|
2. Contextualização | |
Autor | 1 Fuhr, Gabriel Tobias 2 Lima, João Vicente Ferreira 3 Campos Velho, Haroldo Fraga de |
Identificador de Curriculo | 1 2 3 8JMKD3MGP5W/3C9JHC3 |
Grupo | 1 2 3 LABAC-COCTE-INPE-MCTIC-GOV-BR |
Afiliação | 1 Universidade Federal de Santa Maria (UFSM) 2 Universidade Federal de Santa Maria (UFSM) 3 Instituto Nacional de Pesquisas Espaciais (INPE) |
Endereço de e-Mail do Autor | 1 gtfuhr@inf.ufsm.br 2 jvlima@inf.ufsm.br 3 haroldo.camposvelho@inpe.br |
Instituição | Instituto Nacional de Pesquisas Espaciais |
Cidade | São José dos Campos |
Histórico (UTC) | 2019-09-11 12:33:21 :: simone :: -> 2019 2019-09-11 12:33:42 :: simone -> administrator :: 2019 2022-07-08 20:07:36 :: administrator -> simone :: 2019 |
|
3. Conteúdo e estrutura | |
É a matriz ou uma cópia? | é a matriz |
Estágio do Conteúdo | concluido |
Transferível | 1 |
Palavras-Chave | machine learning algoritmos |
Resumo | Uma das importantes atividades no ramo de pesquisa Aeroespacial é a de capturar imagens através de câmeras e sensores aerotransportados por aviões e satélites. Tais imagens podem ter alterações com incorporação de ruídos externos durante a sua captura. Procurando suavizar efeitos negativos causados pelos ruídos, o tratamento de imagens, ramo da Ciência da Computação, é utilizado para remover em parte os ruídos de imagens. Técnicas para restaurar as imagens, gerando imagens próximas à realidade, representam um avanço significativo para áreas que fazem uso de imagens que requerem nitidez e precisão. Destas áreas, destacam-se aplicações em astronomia, sensoriamento remoto, ciências dos materiais, ciências geofísicas, biologia e medicina, para citar algumas áreas, onde informações quantitativas precisas são importantes para ciência da área e desenvolvimento tecnológico. Também pode-se notar a importância da remoção de ruídos em algoritmos de posicionamento de Veículos Aéreos Não Tripulados (VANTs), onde a nitidez das imagens capturadas é crucial para garantir que o VANT conseguirá se localizar utilizando um banco de imagens georreferenciadas. São várias as técnicas utilizadas na restauração de imagens. De fato, inúmeros algoritmos de restauração de imagens já foram desenvolvidos e implementados. A implementação algorítmica consiste em codificar o método de restauração em específico em uma série de passos em linguagem computacional. O algoritmo deve receber como parâmetro a imagem a ser restaurada, algumas soluções algorítmicas apresentam mais parâmetros, como o Bayes-Shrink. Os parâmetros citados anteriormente, causam efeitos no resultado final da execução de uma restauração, por isso sua escolha deve ser feita de maneira a maximizar os resultados de uma correção de ruídos. Pensando nisso¸ utilizar-se-á técnicas de Machine Learning, área da computação onde dados são fornecidos ao computador para o mesmo gerar soluções ou insights sobre os dados, como forma de escolha desses parâmetros. Os dados seriam um banco de imagens originais e imagens alteradas por ruído (Imagens e histogramas) e um algoritmo a ser especificado pelo utilizador da plataforma. Com isso, a plataforma iria devolver um modelo de Machine Learning como um previsor de parâmetro ideal para uma dada imagem desconhecida e o algoritmo em questão. Fazendo com que a escolha do parâmetro deixe de ser um processo empírico da escolha do pesquisador, para ser uma escolha baseada em dados para maximizar a eficiência do algoritmo de restauração de imagens. |
Área | COMP |
Arranjo 1 | urlib.net > LABAC > Framework de machine... |
Arranjo 2 | urlib.net > BDMCI > Fonds > Acervo PIBIC/PIBITI > PIBIC/PIBITI 2019 > Framework de machine... |
Conteúdo da Pasta doc | acessar |
Conteúdo da Pasta source | não têm arquivos |
Conteúdo da Pasta agreement | |
|
4. Condições de acesso e uso | |
URL dos dados | http://urlib.net/ibi/8JMKD3MGP3W34R/3U2S9F5 |
URL dos dados zipados | http://urlib.net/zip/8JMKD3MGP3W34R/3U2S9F5 |
Idioma | pt |
Arquivo Alvo | GABRIEL TOBIAS.pdf |
Grupo de Usuários | simone |
Visibilidade | shown |
Permissão de Leitura | allow from all |
Permissão de Atualização | não transferida |
|
5. Fontes relacionadas | |
Unidades Imediatamente Superiores | 8JMKD3MGPCW/3ESGTTP 8JMKD3MGPDW34P/478H8JH |
Lista de Itens Citando | sid.inpe.br/mtc-m21/2012/07.13.14.49.40 4 sid.inpe.br/bibdigital/2013/09.22.23.14 1 |
Divulgação | BNDEPOSITOLEGAL |
Acervo Hospedeiro | urlib.net/www/2017/11.22.19.04 |
|
6. Notas | |
Notas | Bolsa PIBIC/INPE/CNPq |
Campos Vazios | archivingpolicy archivist callnumber contenttype copyholder copyright creatorhistory date descriptionlevel doi e-mailaddress edition format isbn issn label lineage mark mirrorrepository nextedition orcid parameterlist parentrepositories previousedition previouslowerunit progress project readergroup recipient reportnumber rightsholder schedulinginformation secondarydate secondarykey secondarymark secondarytype session shorttitle sponsor subject tertiarymark tertiarytype translator url versiontype |
|
7. Controle da descrição | |
e-Mail (login) | simone |
atualizar | |
|