Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/36066| Título: | Identificação de espécies de pássaros em imagens utilizando redes neurais siamesas |
| Título(s) alternativo(s): | Identification of bird species in images using siamese neural networks |
| Autor(es): | Silva, Gustavo Henrique Mattos |
| Orientador(es): | Casanova, Dalcimar |
| Palavras-chave: | Redes neurais (Computação) Visão Computacional Processamento de imagens Neural networks (Computer science) Computer vision Image processing |
| Data do documento: | 19-Dez-2024 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Pato Branco |
| Citação: | SILVA, Gustavo Henrique Mattos. Identificação de espécies de pássaros em imagens utilizando redes neurais siamesas. 2025. Trabalho de Conclusão de Curso (Bacharelado em Engenharia de Computação) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2025. |
| Resumo: | A classificação de espécies de pássaros é fundamental para o monitoramento e a conservação de ecossistemas, ajudando a identificar áreas de risco para a biodiversidade e a preservar espécies ameaçadas. Contudo, a tarefa enfrenta desafios técnicos devido à grande quantidade de espécies a serem classificadas e à disponibilidade de imagens de espécies menos conhecidas. Apesar de diversas implementações com aprendizado de máquinas, como o modelo de Migliorini (2022), questões como alto custo computacional e desbalanceamento de dados limitam a aplicabilidade dos modelos. Este trabalho propõe o uso de redes siamesas e técnicas de data augmentation e sobre-amostragem para superar essas limitações, buscando criar um modelo mais eficiente e preciso na classificação de espécies de pássaros. O modelo foi implementado utilizando a linguagem de programação Python, com auxílio das bibliotecas TensorFlow e Keras, e treinado no ambiente de computação em núvem Google Colab. O modelo desenvolvido não obteve os resultados esperados, alcançando 11% de acurácia com k=1 e 41% de acurácia com k=10 após o treinamento. |
| Abstract: | Bird species classification is essential for ecosystem monitoring and conservation, helping to identify areas at risk for biodiversity and to preserve endangered species. However, the task faces technical challenges due to the large number of species to be classified and the availability of images of lesser-known species. Despite several implementations with machine learning, such as the model in Migliorini (2022), issues such as high computational cost and data imbalance limit the applicability of the models. This work proposes the use of Siamese networks and data augmentation and oversampling techniques to overcome these limitations, seeking to create a more efficient and accurate model for bird species classification. The model was implemented using the Python programming language, with the help of the TensorFlow and Keras libraries, and trained in the Google Colab cloud computing environment. The developed model did not obtain the expected results, reaching 11% accuracy with k=1 and 41% accuracy with k=10 after training. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/36066 |
| Aparece nas coleções: | PB - Engenharia de Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| classificacaopassarosredessiamesas.pdf | 3,62 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
