| dc.relation | Referências
ALBUQUERQUE, L. D. S. Análise de técnicas de transfer learning aplicadas ao problema de covariate shift. 2019.
BAPTISTOTTE, C. Tartarugas marinhas: Projeto tamar. 1992.
BOMFIM, A. d. C. et al. Monitoramento de longo prazo de ninhos de tartarugas marinhas no nordeste do brasil. Biota Neotropica, SciELO Brasil, v. 21, 2021.
CUNHA, L. C. d. Redes neurais convolucionais e segmentação de imagens: uma revisão bibliográfica. 2020.
DESHPANDE, A. A Beginer’s Guide to Understanding Convolutional Neural Networks. [S.l.], 2016. Disponível em: ⟨https://adeshpande3.github.io/A-Beginner’ s-Guide-To-Understanding-Convolutional-Neural-Networks/ ⟩.
DUJON, A. M. et al. Machine learning to detect marine animals in uav imagery: Effect of morphology, spacing, behaviour and habitat. Remote Sensing in Ecology and Conservation, Wiley Online Library, v. 7, n. 3, p. 341–354, 2021.
DWYER, B.; NELSON, J.; SOLAWETZ, J. 2022. Disponível em: ⟨https://roboflow.com/⟩.
FILHO, A. C. M. et al. Redes neurais convolucionais para classificação e avaliação da maturação de frutos de cafe´. Universidade Federal de Uberlândia, 2021.
FILHO, L. R. A.; ROSA, R. R.; GUIMARA˜ ES, L. N. Intelligent supernovae classification systems in the kdust context. Anais da Academia Brasileira de Ci eˆncias, Academia Brasileira de Ciências, v. 93, p. e20200862, 2021. ISSN 0001-3765. Disponível em: ⟨https://doi.org/10.1590/ 0001-3765202120200862⟩.
GOODFELLOW, I.; BENGIO, Y.; COURVILLE, A. Deep Learning. [S.l.]: MIT Press, 2016.
⟨http://www.deeplearningbook.org⟩.
GOOGLE. Welcome To Colaboratory. [S.l.], 2023. Disponível em: ⟨https://colab.research.google. com/notebooks/intro.ipynb⟩.
GRAY, P. C. et al. A convolutional neural network for detecting sea turtles in drone imagery. Methods in Ecology and Evolution, Wiley Online Library, v. 10, n. 3, p. 345–355, 2019.
HAMMERSCHMITT, B. K. et al. Identificação de perdas não técnicas através de método de classificação e otimização de hiperparâmetros, baseado em dados endo´genos e exógenos. Simpósio Brasileiro de Sistemas Elétricos-SBSE, v. 2, n. 1, 2022.
HE, K. et al. Identity mappings in deep residual networks. In: SPRINGER. Computer Vision–ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11–14, 2016, Proceedings, Part IV 14. [S.l.], 2016. p. 630–645.
HOWARD, A. G. et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861, 2017.
JUNIOR, F. A. C.; BORGES-ANDRADE, J. E. Uso do conceito de aprendizagem em estudos relacionados ao trabalho e organizações. Paidéia (Ribeira˜o Preto), SciELO Brasil, v. 18, p. 221–234, 2008.
KINGMA, D. P.; BA, J. Adam: A method for stochastic optimization. arXiv preprint arXiv:1412.6980, 2014.
LECUN, Y. et al. Backpropagation applied to handwritten zip code recognition. Neural computation, MIT Press, v. 1, n. 4, p. 541–551, 1989.
MARCOVALDI, M. A.; MARCOVALDI, G. G. dei. Marine turtles of brazil: the history and structure of projeto tamar-ibama. Elsevier, p. 35–41, 1999.
MELLO, A. C. Detecção de desbalanceamento de massa no rotor de turbinas eólicas utilizando
algoritmos de aprendizado profundo. Universidade Federal de Santa Maria, 2022.
NAIR, V.; HINTON, G. E. Rectified linear units improve restricted boltzmann machines. In: Proceedings of the 27th International Conference on International Conference on Machine Learning. Madison, WI, USA: Omnipress, 2010. (ICML’10), p. 807–814. ISBN 9781605589077.
OLIVEIRA, M. C.; PONTE, V. M. R.; BARBOSA, J. V. B. Metodologias de pesquisa adotadas nos estudos sobre balanced scorecard. In: Anais do Congresso Brasileiro de Custos-ABC. [S.l.: s.n.], 2006.
OLIVEIRA, P. D. S. d. Uso de aprendizagem de máquina e redes neurais convolucionais profundas para a classificação de áreas queimadas em imagens de alta resolução espacial. 2019.
PEDREGOSA, F. et al. Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, v. 12, p. 2825–2830, 2011.
RANZATO, M. et al. Unsupervised learning of invariant feature hierarchies with applications to object recognition. In: 2007 IEEE Conference on Computer Vision and Pattern Recognition. [S.l.: s.n.], 2007. p. 1–8.
REMUS, J. C. Uso de redes neurais de convolução para classificação de anomalias em arames metálicos a partir de imagens de inspeção por partícula magnética. 2023.
RODRIGUES, G. A. Reconhecimento de emoções utilizando redes neurais convolucionais para auxiliar no tratamento de crianças com autismo. 2020.
ROSAS, C. L. G. An a´lise da morfometria dos agregados do solo utilizando imagens digitais por meio de redes neurais. Universidade Estadual Paulista (Unesp), 2021.
RUBACK, L.; AVILA, S.; CANTERO, L. Vieses no aprendizado de ma´quina e suas implicações sociais: Um estudo de caso no reconhecimento facial. In: SBC. Anais do II Workshop sobre as Implicações da Computação na Sociedade. [S.l.], 2021. p. 90–101.
SZEGEDY, C. et al. Rethinking the Inception Architecture for Computer Vision. 2015. | |
