@InProceedings{OliveiraMaurPereSant:2021:DeMaRC,
               author = "Oliveira, Raianny Proen{\c{c}}a de Camargo de and 
                         Maur{\'{\i}}cio, Claudio Roberto M. and Peres, Fabiana Frata 
                         Furlan and Santos, Val{\'e}ria Nunes dos",
          affiliation = "{Universidade Estadual do Oeste do Paran{\'a}} and {Universidade 
                         Estadual do Oeste do Paran{\'a}} and {Universidade Estadual do 
                         Oeste do Paran{\'a}} and {Funda{\c{c}}{\~a}o Parque 
                         Tecnol{\'o}gico Itaipu}",
                title = "Detectron2 e Mask R-CNN para Detec{\c{c}}{\~a}o de Fissuras em 
                         Superf{\'{\i}}cies de Concreto",
            booktitle = "Proceedings...",
                 year = "2021",
               editor = "Paiva, Afonso and Menotti, David and Baranoski, Gladimir V. G. and 
                         Proen{\c{c}}a, Hugo Pedro and Junior, Antonio Lopes Apolinario 
                         and Papa, Jo{\~a}o Paulo and Pagliosa, Paulo and dos Santos, 
                         Thiago Oliveira and e S{\'a}, Asla Medeiros and da Silveira, 
                         Thiago Lopes Trugillo and Brazil, Emilio Vital and Ponti, Moacir 
                         A. and Fernandes, Leandro A. F. and Avila, Sandra",
         organization = "Conference on Graphics, Patterns and Images, 34. (SIBGRAPI)",
            publisher = "Sociedade Brasileira de Computa{\c{c}}{\~a}o",
              address = "Porto Alegre",
             keywords = "reconhecimento visual, Detectron2, Mask R-CNN.",
             abstract = "Fissuras em concreto representam manifesta{\c{c}}{\~o}es 
                         patol{\'o}gicas e ocorrem por diversos motivos, mesmo que haja 
                         boas pr{\'a}ticas na fase de constru{\c{c}}{\~a}o. Em 
                         estruturas de grande porte, como pontes, t{\'u}neis e barragens 
                         {\'e} exigido que, com certa periodicidade, ocorra 
                         inspe{\c{c}}{\~o}es visuais com objetivo de detectar, 
                         diagnosticar a causa e quando poss{\'{\i}}vel, reparar a 
                         fissura. Nos casos que n{\~a}o {\'e} poss{\'{\i}}vel reparar a 
                         fissura, se deve acompanhar o seu comportamento. Muitas 
                         t{\'e}cnicas computacionais para a detec{\c{c}}{\~a}o de 
                         fissuras t{\^e}m sido propostas, mas suas aplica{\c{c}}{\~o}es 
                         s{\~a}o limitadas, pois as imagens de fissuras tendem a variar 
                         muito e neste caso, extrair informa{\c{c}}{\~o}es como a 
                         localiza{\c{c}}{\~a}o da fissura em uma imagem requer que seja 
                         realizada uma segmenta{\c{c}}{\~a}o a n{\'{\i}}vel de pixel. 
                         Neste contexto, esse trabalho apresenta uma proposta utilizando o 
                         Detectron2, inspirado na rede neural convolucional Mask R-CNN, que 
                         oferece suporte para detec{\c{c}}{\~a}o de objetos, 
                         segmenta{\c{c}}{\~a}o de inst{\^a}ncias, 
                         segmenta{\c{c}}{\~a}o de panor{\^a}mica, e 
                         segmenta{\c{c}}{\~a}o de sem{\^a}ntica.",
  conference-location = "Gramado, RS, Brazil (virtual)",
      conference-year = "18-22 Oct. 2021",
             language = "pt",
                  ibi = "8JMKD3MGPEW34M/45E6942",
                  url = "http://urlib.net/ibi/8JMKD3MGPEW34M/45E6942",
           targetfile = "paper.pdf",
        urlaccessdate = "2024, May 06"
}