Pós-Graduação em Ciência da Computação – UFPE
Defesa de Dissertação de Mestrado Nº 2.311
Aluno: Jefferson Medeiros Norberto
Orientador: Prof. Carlos Alexandre Barros de Mello
Título: Classificação de distorções em imagens digitais: Uma avaliação de arquiteturas convolucionais, modelos de cor e eficiência computacional
Data: 03/08/2026
Hora/Local: 15 horas – Virtual – Interessados em assistir entrar em contato com o aluno
Banca Examinadora:
Prof. Adriano Lorena Inácio de Oliveira (UFPE / Centro de Informática)
Prof. Mylène Christine Queiroz de Farias (State University of Texas / Department of Computer Science)
Prof. Carlos Alexandre Barros de Mello (UFPE / Centro de Informática)
RESUMO:
Este trabalho apresenta um estudo comparativo focado na classificação de distorções em imagens digitais utilizando as arquiteturas ResNet, YOLO26 e MobileNet. Para isso, construiu-se um dataset nomeado LIST, a partir de imagens de referência do conjunto UHD-IQA. Nele, foram aplicados seis tipos de degradação em cinco níveis de intensidade: desfoque gaussiano, ruído de Poisson-Gauss, redução de contraste, ruído de alta frequência, e compressões JPEG2000 e JPEG. Para avaliar o impacto da alteração de representação das imagens, o conjunto de dados foi processado de forma independente nos espaços de cor RGB, CIE-Lab e HSV. Além das redes mencionadas, o estudo propôs arquiteturas customizadas de integração de domínios, por meio de fusão precoce (Early Fusion) e fusão tardia (Late Fusion), visando aliar as informações estruturais de um espaço de cor à sensibilidade a ruídos de outro. O experimento avaliou a acurácia intradomínio, a generalização interbases (cross-dataset) e a eficiência computacional. Os resultados indicam que o espaço HSV fornece uma representação mais adequada para a classificação dos ruídos, com a arquitetura YOLO26 Small alcançando a maior acurácia (86,45%) entre os extratores individuais. A avaliação das estratégias de fusão demonstrou que a integração de características limitou as redes no aprendizado das estatísticas dos ruídos, alcançando uma acurácia de 95,39% no conjunto de teste da base LIST e 71,91% no teste de validação cruzada com o conjunto CSIQ. Contudo, a avaliação das matrizes de confusão também revelou um viés nas arquiteturas em que apesar das altas taxas globais, elas apresentaram dificuldade na identificação de imagens originais isentas de distorção (classe SRC), frequentemente confundindo as texturas mais homogêneas com artefatos de desfoque ou compressão em cenários interbases. Por fim, a análise de hardware evidenciou que arquiteturas leves operam com consumo de energia na faixa de 26,88 W a 36,54 W e uso de VRAM inferior a 1 GB, sem perdas preditivas significativas em relação a redes densas.
Palavras-chave: Classificação de distorção, Modelos de cor, Redes neurais convolucionais, Redes de fusão de domínio.
Comentários desativados