@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"
}