@InProceedings{BouzonZuAnGrLoSaRo:2018:ReRaOf,
author = "Bouzon, Murillo F. and Zulli, Rafael and Andrijauskas, Adriana and
Grassl, Eric and Lopes, Fernando M. and Santos, Ricardo M. and
Rodrigues, Paulo S{\'e}rgio Silva",
affiliation = "{Centro Universit{\'a}rio FEI} and {Centro Universit{\'a}rio
FEI} and {Centro Universit{\'a}rio FEI} and {Centro
Universit{\'a}rio FEI} and {Centro Universit{\'a}rio FEI} and
{Centro Universit{\'a}rio FEI} and {Centro Universit{\'a}rio
FEI}",
title = "Reconhecimento de rascunhos offline em cen{\'a}rios para
simula{\c{c}}{\~a}o de corpos r{\'{\i}}gidos",
booktitle = "Proceedings...",
year = "2018",
editor = "Ross, Arun and Gastal, Eduardo S. L. and Jorge, Joaquim A. and
Queiroz, Ricardo L. de and Minetto, Rodrigo and Sarkar, Sudeep and
Papa, Jo{\~a}o Paulo and Oliveira, Manuel M. and Arbel{\'a}ez,
Pablo and Mery, Domingo and Oliveira, Maria Cristina Ferreira de
and Spina, Thiago Vallin and Mendes, Caroline Mazetto and Costa,
Henrique S{\'e}rgio Gutierrez and Mejail, Marta Estela and Geus,
Klaus de and Scheer, Sergio",
organization = "Conference on Graphics, Patterns and Images, 31. (SIBGRAPI)",
publisher = "Sociedade Brasileira de Computa{\c{c}}{\~a}o",
address = "Porto Alegre",
keywords = "Reconhecimento de rascunhos, YOLO, Redes Neurais Convolutivas,
Sketch Dataset.",
abstract = "O reconhecimento de rascunhos a m{\~a}o livre {\'e} uma
pr{\'e}-tarefa importante para aplica{\c{c}}{\~o}es de
simula{\c{c}}{\~o}es f{\'{\i}}sicas. A
interpreta{\c{c}}{\~a}o de uma primitiva geom{\'e}trica pode
ser uma tarefa simples ou demasiadamente complexa, dependendo da
orienta{\c{c}}{\~a}o da figura e do {\^a}ngulo de perspectiva
da c{\^a}mera. Este trabalho prop{\~o}e 7 modelos de Deep
learning, para reconhecimento de rascunhos feitos a m{\~a}o, que
s{\~a}o comparados e analisados. Al{\'e}m disso, {\'e} proposta
uma base de dados chamada PhySketch, contendo 9.008 rascunhos de
elementos naturais e, a partir destes, 359.784 rascunhos
artificiais. De todos os modelos analisados, o modelo
PHS\−TA8 obteve a melhor capacidade de
detec{\c{c}}{\~a}o, com mAP de 79.31% em cen{\'a}rios naturais
mostrando-se invariante {\`a} escala, distor{\c{c}}{\~a}o,
localiza{\c{c}}{\~a}o e orienta{\c{c}}{\~a}o dos elementos em
cen{\'a}rios de ru{\'{\i}}dos variados.",
conference-location = "Foz do Igua{\c{c}}u, PR, Brazil",
conference-year = "29 Oct.-1 Nov. 2018",
language = "pt",
ibi = "8JMKD3MGPAW/3S3AMP2",
url = "http://urlib.net/ibi/8JMKD3MGPAW/3S3AMP2",
targetfile = "paper-scketch-recognition (3).pdf",
urlaccessdate = "2024, May 01"
}