Agenda de Defesas
- UFPE/
- Research/Innovation/
- Defense Schedule/
- Ciência da Computação promove defesa de dissertação de mestrado amanhã (6)
Events Events
Ciência da Computação promove defesa de dissertação de mestrado amanhã (6)
O trabalho será defendido por meio de videoconferência
O Programa de Pós-Graduação em Ciência da Computação da UFPE promove a defesa da dissertação de mestrado de Saulo José de Albuquerque Silva, intitulada “Avaliação Automática da Qualidade de Imagens de Alta Resolução Sem Referência”, que foi orientado pelo professor Carlos Alexandre Barros de Mello.
O trabalho será defendido amanhã (6), às 10h via Google Meet. Interessados em assistir entrar em contato com o aluno através do e-mail sjas@cin.ufpe.br. É recomendado que se entre na sala virtual com microfone e câmera desligados. A banca examinadora é formada pelos professores Cleber Zanchettin (UFPE/Centro de Informática), Rafael Galvão de Mesquita (IFPE/Campus Garanhuns) e Carlos Alexandre Barros de Mello (UFPE/Centro de Informática).
Resumo
Um dos grandes desafios nas áreas de visão computacional e processamento de imagens é desenvolver métodos para modelar corretamente o sistema visual humano. Um dos processos existentes na modelagem do sistema visual humano é a avaliação da qualidade de uma imagem, processo complexo por envolver elementos objetivos e subjetivos. Dentre as abordagens de avaliação automática da qualidade de imagens da literatura, neste trabalho é utilizada a avaliação da qualidade de imagens sem referência, aplicada a imagens geradas por dispositivos móveis. Nos últimos anos, houve um avanço na tecnologia das câmeras de tais dispositivos, possibilitando a captura de imagens de alta resolução. Nesse contexto, foi avaliado o comportamento de métodos de avaliação automática da qualidade de imagens quando aplicados a imagens de alta resolução. Na literatura foram encontrados vários modelos, dentre os quais destacamos: (1) Brisque, (2) OCPP, e (3) DIQA. Para modelos baseados em inteligência artificial, foram utilizadas para treinamento as bases de dados públicas e amplamente utilizadas nesse contexto, como: Live IQA, Live in the Wild e KonIQ-10K. Não existem bases conhecidas de imagens de alta resolução. Dessa forma, os resultados da aplicação desses modelos a tais imagens foram bastante incoerentes, como é apresentado nesta Dissertação. Sugere-se que pesquisas posteriores abordem modelos de aprendizagem profundo que visem corrigir os problemas encontrados no DIQA para torná-lo mais eficiente em termos de acurácia e velocidade de processamento.