| Campo DC | Valor | Lengua/Idioma |
|---|
| dc.contributor.advisor | Farias, Mylène Christine Queiroz de | - |
| dc.contributor.author | Lima, João Marcello Schubnell Abreu de Rezende | - |
| dc.date.accessioned | 2020-06-26T12:39:09Z | - |
| dc.date.available | 2020-06-26T12:39:09Z | - |
| dc.date.submitted | 2019-12-20 | - |
| dc.identifier.citation | LIMA, João Marcello Schubnell Abreu de Rezende. Estimating image aesthetic value using a content-based convolutional neural network architecture. 2019. viii, 59 f., il. Dissertação (Mestrado em Engenharia de Sistemas Eletrônicos e Automação)—Universidade de Brasília, Brasília, 2019. | pt_BR |
| dc.identifier.uri | https://repositorio.unb.br/handle/10482/38225 | - |
| dc.description | Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2019. | pt_BR |
| dc.description.abstract | Na última década, a propagação de métodos de aprendizado de máquina
despertou o interesse de pesquisadoras em investigar suas aplicações no campo de visão
computacional. As implementações mais populares abrangem diversas áreas de estudo, de
classificação de objetos até imagens biomédicas. Dentro destas áreas o estudo de qualidade de
imagens atraiu muita atenção devido as suas aplicações em edição digital de imagens,
otimização de motores de busca e otimização de redes de computadores. Diversos trabalhos
destacaram o potencial de sistemas classificadores de imagens sem referência, contudo a
maioria destes trabalhos se concentraram nos atributos de qualidade da imagem e
descosideraram a sua estética. A estética é um atributo importante que provoca o interesse de
uma observadora e tem um papel importante na comunicação visual. Neste trabalho, nós
analisamos diversos estudos que desenvolveram métodos para quantificar a qualidade estética
de uma imagem, tais métodos abrangem desde descritores desenvolvidos à mão quanto
descritores desenvolvidos utilizando aprendizado de máquina, mais especificamente
aprendizado profundo. Nós discutimos também as dificuldades e os fatores mais importantes
que devem ser levados em conta no desenvolvimento de sistemas de classificação estética. Em
seguida, nós apresentamos um método que leva em consideração o conteúdo de uma imagem
na escolha de uma arquitetura de rede. Nós discutimos as implicações e resultados deste novo
método e como é possível aprimorar ainda mais estes resultados. Por fim, nós apresentamos
algumas idéias que podem lançar uma luz sobre os atributos que redes convolucionais
aprendem durante o processo de treinamento. | pt_BR |
| dc.language.iso | Inglês | pt_BR |
| dc.rights | Acesso Aberto | pt_BR |
| dc.title | Estimating image aesthetic value using a content-based convolutional neural network architecture | pt_BR |
| dc.type | Dissertação | pt_BR |
| dc.subject.keyword | Inteligência artificial | pt_BR |
| dc.subject.keyword | Aprendizado de máquina | pt_BR |
| dc.rights.license | A concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data. | pt_BR |
| dc.description.abstract1 | In the last decade, there has been an increasing interest in the employment of
machine learning methods in computer vision applications. The most popular applications range
across several different areas from object classification to biomedical imaging. Among all areas,
the quality assessment area has attracted some attention due to its applications in digital image
editing, search engine, and network optimization. Several works have highlighted the potentials of
employing no-reference image quality assessment methods, but most of them only consider the
image attributes and often ignore their aesthetic quality. The aesthetic quality of an image is an
important factor that drives the observers interests and plays a key role in visual communication.
In this work, we analyze previous studies that tried to quantify aesthetic quality by using
hand-designed image descriptors and machine-learning methods, more specifically the deep
learning method. We also discuss the difficulties and most important factors when developing
aesthetic assessment systems. Later on, we propose a method that takes into account the
image content to choose the most suited deep learning architecture. We discuss the
implications and results of this novel approach and how they can be further improved. Finally, we
present some ideas that can help other researchers make sense of the features learned by
convolutional networks. | pt_BR |
| Aparece en las colecciones: | Teses, dissertações e produtos pós-doutorado
|
