Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40355| Título: | Estudo de métodos de ensemble aplicados a máscaras de segmentação semântica |
| Título(s) alternativo(s): | Study of ensemble methods applied to semantic segmentation masks |
| Autor(es): | Andrade, João Pedro da Silva de |
| Orientador(es): | Foleis, Juliano Henrique |
| Palavras-chave: | Redes neurais (Computação) Computação semântica Aprendizado do computador Classificação Neural networks (Computer science) Semantic computing Machine learning Classification |
| Data do documento: | 3-Dez-2025 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Campo Mourao |
| Citação: | ANDRADE, João Pedro da Silva de. Estudo de métodos de ensemble aplicados a máscaras de segmentação semântica. 2025. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Universidade Tecnológica Federal do Paraná, Campo Mourão, 2025. |
| Resumo: | A segmentação semântica é uma técnica fundamental para a automação da detecção de objetos de interesse em imagens. Porém, sua aplicação enfrenta um grande desafio: a necessidade de uma grande quantidade de dados anotados para o treinamento, um processo que exige um grande esforço e tempo, tornando-se inviável em alguns casos, como a aplicação à área da saúde, especialmente em aplicações voltadas à detecção de núcleos cancerígenos. Nesse contexto, a aplicação de técnicas de ensemble pode ser uma solução viável para melhorar o desempenho dos modelos de segmentação semântica, exigindo uma quantidade menor de dados. Diante disso, este trabalho propõe e avalia uma abordagem de ensemble baseada em stacking para combinar as máscaras geradas pelos modelos U-Net e DeepLabV3+, combinados aos backbones VGG16, ResNet50 e MobileNetV3Large. A proposta utiliza uma ou mais camadas convolucionais para combinar as máscaras de modo sensível ao contexto local dos pixels, permitindo que o modelo aprenda a explorar os pontos fortes e fracos de cada rede de forma dinâmica. O objetivo é gerar uma máscara final capaz de superar o desempenho obtido por cada modelo individualmente e também pelos métodos tradicionais de ensemble avaliados. Os resultados demonstram que a abordagem proposta é estatisticamente indiferenciável dos melhores ensembles estáticos avaliados. Entretanto, é possível que a quantidade limitada de exemplos para o treinamento do modelo de stacking tenha limitado sua capacidade de generalização. |
| Abstract: | Semantic segmentation is a fundamental technique for automating the detection of objects of interest in images. However, its application faces a major challenge: the need for a large amount of annotated data for training, a process that requires significant effort and time, making it unfeasible in some cases, such as applications in the healthcare field, especially those aimed at the detection of cancerous nuclei. In this context, the application of ensemble techniques can be a viable solution to improve the performance of semantic segmentation models while requiring a smaller amount of data. In view of this, this work proposes and evaluates an ensemble approach based on stacking to combine the masks generated by the U-Net and DeepLabV3+ models, combined with the VGG16, ResNet50, and MobileNetV3Large backbones. The proposal uses one or more convolutional layers to combine the masks in a way that is sensitive to the local context of the pixels, allowing the model to learn to exploit the strengths and weaknesses of each network dynamically. The objective is to generate a final mask capable of outperforming the results obtained by each individual model and also by the traditional ensemble methods evaluated. The results demonstrate that the proposed approach is statistically indistinguishable from the best static ensembles evaluated. However, it is possible that the limited number of examples available for training the stacking model limited its generalization capability. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40355 |
| Aparece nas coleções: | CM - Ciência da Computação |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| estudometodosensemblesemantica.pdf | 1,52 MB | Adobe PDF | Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
