@InProceedings{RiverosGuti:2016:DeAuCo,
               author = "Riveros, Elian Laura and Guti{\'e}rrez, Juan Carlos",
          affiliation = "{Universidad Nacional de San Agust{\'{\i}}n - Arequipa} and 
                         {Universidad Nacional de San Agust{\'{\i}}n - Arequipa}",
                title = "Detec{\c{c}}{\~a}o de autom{\'o}veis em condi{\c{c}}{\~o}es 
                         de ilumina{\c{c}}{\~a}o variadas com uma c{\^a}mera de 
                         videovigil{\^a}ncia",
            booktitle = "Proceedings...",
                 year = "2016",
               editor = "Aliaga, Daniel G. and Davis, Larry S. and Farias, Ricardo C. and 
                         Fernandes, Leandro A. F. and Gibson, Stuart J. and Giraldi, Gilson 
                         A. and Gois, Jo{\~a}o Paulo and Maciel, Anderson and Menotti, 
                         David and Miranda, Paulo A. V. and Musse, Soraia and Namikawa, 
                         Laercio and Pamplona, Mauricio and Papa, Jo{\~a}o Paulo and 
                         Santos, Jefersson dos and Schwartz, William Robson and Thomaz, 
                         Carlos E.",
         organization = "Conference on Graphics, Patterns and Images, 29. (SIBGRAPI)",
            publisher = "Sociedade Brasileira de Computa{\c{c}}{\~a}o",
              address = "Porto Alegre",
             keywords = "Processamento de imagens, redes convolucionais, 
                         detec{\c{c}}{\~a}o de autom{\'o}veis em imagens.",
             abstract = "Neste trabalho diferentes modelos de redes neurais convolucionais 
                         (CNN) para detec{\c{c}}{\~a}o de autom{\'o}veis s{\~a}o 
                         testados, 27 modelos s{\~a}o obtidos a partir da 
                         combina{\c{c}}{\~a}o de tr{\^e}s hiperpar{\^a}metros: A 
                         t{\'e}cnica inicializa{\c{c}}{\~a}o de pesos, a 
                         fun{\c{c}}{\~a}o de sub-amostragem e a fun{\c{c}}{\~a}o de 
                         activa{\c{c}}{\~a}o. A percentagem de precis{\~a}o {\'e} o 
                         factor de medi{\c{c}}{\~a}o para encontrar o modelo com melhor 
                         desempenho. Foi realizado uma compara{\c{c}}{\~a}o do melhor 
                         modelo de CNN com um classificador cascade e uma m{\'a}quina de 
                         vetores de suporte. Os conjuntos de amostras s{\~a}o obtidas a 
                         partir de uma c{\^a}mera de videovigil{\^a}ncia em 
                         condi{\c{c}}{\~o}es de ilumina{\c{c}}{\~a}o variadas, luz do 
                         meio-dia; luz da tarde; e noite. Por{\'e}m {\`a}s amostras de 
                         noite s{\~a}o obtidas no modo infravermelho. Os resultados 
                         demonstram que uma CNN obtive o melhor resultado para 
                         detec{\c{c}}{\~a}o de autom{\'o}veis com uma c{\^a}mera de 
                         videovigil{\^a}ncia, o que {\'e} importante em 
                         aplica{\c{c}}{\~o}es pr{\'a}ticas.",
  conference-location = "S{\~a}o Jos{\'e} dos Campos, SP, Brazil",
      conference-year = "4-7 Oct. 2016",
             language = "pt",
                  ibi = "8JMKD3MGPAW/3M8GM7S",
                  url = "http://urlib.net/ibi/8JMKD3MGPAW/3M8GM7S",
           targetfile = "Deteccao-de-automoveis (8).pdf",
        urlaccessdate = "2024, May 03"
}