Andere Kunden interessierten sich auch für
![Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito]( "Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito")
Estudo de modelos avançados de ML e DL para deteção de fraudes com cartões de crédito51,99 €![DeepCOPD: detecção de DPOC usando aprendizado profundo]( "DeepCOPD: detecção de DPOC usando aprendizado profundo")
DeepCOPD: detecção de DPOC usando aprendizado profundo29,99 €![Analyse comparative des variantes LBP pour la détection de la falsification d'images]( "Analyse comparative des variantes LBP pour la détection de la falsification d'images")
Analyse comparative des variantes LBP pour la détection de la falsification d'images29,99 €![Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini]( "Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini")
Analisi comparativa delle varianti LBP per il rilevamento di manomissioni di immagini29,99 €![FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real]( "FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real")
FLAMED: Uma abordagem de aprendizagem profunda para a deteção de incêndios e fumo em tempo real39,99 €![Aplicação de Inteligência Artificial para Super Resolução de Imagens]( "Aplicação de Inteligência Artificial para Super Resolução de Imagens")
Aplicação de Inteligência Artificial para Super Resolução de Imagens55,99 €![Inteligência Artificial para uma Indústria 4.0 e 5.0 Sustentável]( "Inteligência Artificial para uma Indústria 4.0 e 5.0 Sustentável")
Inteligência Artificial para uma Indústria 4.0 e 5.0 Sustentável59,99 €
Esta tese explora a utilização de Padrões Binários Locais (LBP) e Redes Neuronais Convolucionais (CNN) para a deteção de adulteração de imagens, um problema cada vez mais prevalecente na paisagem digital atual. Através de uma análise comparativa de quatro variantes do LBP utilizando o conjunto de dados CASIA-2.0, combina os descritores de textura do LBP com a CNN para aumentar a precisão e a robustez. A metodologia envolve a geração de descritores de textura locais com LBP e a sua introdução numa arquitetura CNN treinada para classificar imagens como adulteradas ou autênticas. Apesar de desafios como a complexidade computacional, a investigação visa contribuir para um sistema fiável de deteção de adulterações aplicável em vários cenários do mundo real. Em particular, o LBP uniforme demonstra um desempenho superior tanto no tempo de treino como no tempo de teste, alcançando uma precisão e uma pontuação F1 superior a 97% na deteção de adulteração de imagens, validando a eficácia da abordagem.