Extração e Classificação de padrões em espécimes de gatos siameses

  • Lucas Augusto Cavenaghi Fundação Municipal de Ensino de Piracicaba
Palavras-chave: ia, visão computacional, opencv, python, classificação de gatos

Resumo

Avanços recentes no campo da inteligência artificial, onde que novas aplicações que usam conceitos de aprendizado de máquina aparecem frequentemente, estão fazendo com que nossa vida cotidiana mude. Assim, este artigo descreve o desenvolvimento de uma aplicação que utiliza técnicas de Inteligência Artificial, Processamento de Imagem e Visão computacional, para reconhecer se existe ou não um espécime de gato siamês em uma determinada imagem. Neste sentido, este artigo mostra como podemos usar métodos para segmentação de imagens, extração de características e classificação para reconhecimento de gatos siameses.

Referências

BAIA, Carlos. Decision Tree e Random Forest. Disponível em: http://carlosbaia.com/2016/12/24/decision-tree-e-random-forest/. Acesso em: 14 de ago. 2017.
BAY, H., TUYTELAARS, T., GOOL, L. V. Surf: Speeded up robust features. In Computer Vision and Image Understanding (CVIU), 2008. p. 346-359
BRADSKI, Gary; KAEHLER, Adrian. Learning OpenCV: Computer vision with the OpenCV library. " O'Reilly Media, Inc.", 2008.
CONCI, A.; AZEVEDO, E.; LETA, F. Capítulo 6: Extração de Características e Reconhecimento de Padrões e Objetos. In: AZEVEDO, Eduardo; CONCI, Aura; LETA, Fabiana. Computação Gráfica - Vol. 2: Teoria e Prática. Rio de Janeiro: Elsevier, 2008. p. 195-267.
DALAL, NAYNEET, TRIGGS, BILL. Histograms of oriented gradients for human detection. In Conference on Computer Vision and Pattern Recognition (CVPR), 2005. p. 886-893.
DE FERNANDES TEIXEIRA, João. Inteligência artificial. Pia Sociedade de São Paulo-Editora Paulus, 2014.
Django Girls. Implantação! Disponível em: https://tutorial.djangogirls.org/pt/deploy/. Acesso em: 01 de out. 2017.
ERPEN, L. R. C. Reconhecimento de Padrões em Imagens por Descritores de Forma. 2004. 113 f. Tese (Mestrado em Ciência da Computação) – Instituto de Informática, Universidade Federal do Rio Grande do Sul, Porto Alegre. 2004.
FRÜHWIRTH‐SCHNATTER, Sylvia. Data augmentation and dynamic linear models. Journal of time series analysis, v. 15, n. 2, p. 183-202, 1994.
HOWSE, J. Training a Smart Alarm to Recognize the Villain and His Cat. In: HOWSE, J. OpenCV for Secret Agents. Birmingham: Packt Publishing, 2015. p. 75-122.
LIMA, Paulo Cupertino de. Wavelets: uma introdução. Universidade federal de Minas Gerais. Disponível em: http://www.mat.ufmg.br/~lima/artigos/rmu33.pdf. Acesso em: 18 de mai. 2017.
LOWE, D. G. Object recognition from local scale-invariant features. In IEEE International Conference on Computer Vision (ICCV), volume 2, 1999. p. 1150-1157.
MOREIRA, T. P.; PEREZ, M. L.; WERNECK, R. de O.; VALLE, E. Where is my puppy? Retrieving lost dogs by facial features. Springer Science+Business Media New York 2016, Nova York, 2016.
PEDREGOSA, Fabian et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 2016. p. 2825-2830.
Tutorial: OpenCV haartraining (Rapid Object Detection With A Cascade of Boosted Classifiers Based on Haar-like Features). Disponível em: http://note.sonots.com/SciSoftware/haartraining.html. Acesso em: 09 de set. 2017.
VARELLA, Carlos Alberto Alves. Análise de componentes principais. Seropédica: Universidade Federal Rural do Rio de Janeiro, 2008.
VIOLA, PAUL E JONES, MICHAEL. Rapid object detection using a boosted cascade of simple features. In Conference on Computer Vision and Pattern Recognition (CVPR), 2001. p. 511-518.
Watson: o desafio de todos os tempos. Disponível em: https://www.ibm.com/watson/br-pt/. Acesso em: 10 de abr. 2017.
Publicado
2019-06-18
Como Citar
CAVENAGHI, L. Extração e Classificação de padrões em espécimes de gatos siameses. Revista Brasileira em Tecnologia da Informação, v. 1, n. 1, p. 03-10, 18 jun. 2019.
Seção
Artigos