Use este identificador para citar ou linkar para este item: https://repository.ufrpe.br/handle/123456789/4016
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorSampaio, Pablo Azevedo-
dc.contributor.authorMelo, Diogo Felipe Félix de-
dc.date.accessioned2023-02-24T18:36:29Z-
dc.date.available2023-02-24T18:36:29Z-
dc.date.issued2018-08-16-
dc.identifier.citationMELO, Diogo Felipe Félix de. Aprendizado profundo com capacidade computacional reduzida: uma aplicação à quebra de CAPTCHAs. 2018. 65 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Departamento de Computação, Universidade Federal Rural de Pernambuco, Recife, 2018.pt_BR
dc.identifier.urihttps://repository.ufrpe.br/handle/123456789/4016-
dc.descriptionNa última década, Redes Neurais Profundas tem se mostrado uma poderosa técnica de aprendizado de máquina. Em geral, essas técnicas demandam alto poder computacional e grandes volumes de dados para obter resultados expressivos, o que pode ser um fator limitante em algumas realidades. Entretanto, o projeto cuidadoso da arquitetura e do treino podem ajudar a reduzir estes requisitos. Neste trabalho apresentamos uma abordagem comparativa para a aplicação de redes neurais profundas à quebra de CAPTCHAs de texto como uma forma de contornar essas limitações. Estudamos modelos capazes de aprender a segmentar e identificar o texto contido em imagens baseando-se apenas em exemplos. A partir da experimentação de diferentes hiper-parâmetros e arquiteturas, fomos capazes de obter um modelo final com acurácia de 96.06% de acerto por token em aproximadamente 3 horas de treino executado em um simples computador pessoal.pt_BR
dc.description.abstractDuring the last decade, Deep Neural Networks has been shown to be a powerfull machine learn technique. Generally, to obtain relevant results, these techniques require high computacional power and large volumes of data, which can be a limiting factor on some cases. Neverthless, a careful project of trainig and archtecture may help to reduce these requirements. In the this work we present a comparative approach to the application of deep neural networks to text based CAPTCHAs as a way to cope with these limitations. We studied models that are capable of learn to segment and identify the text content of images, only based on examples. By experimentation of different hiper-parameters and architectures, we were capable to obtain a final model with 96.06% of token prediction accuracy in approximately 3 hours of training in a simple personal computer.pt_BR
dc.format.extent65 f.pt_BR
dc.language.isoporpt_BR
dc.rightsopenAccesspt_BR
dc.rightsAtribuição-NãoComercial-CompartilhaIgual 4.0 Internacional (CC BY-NC-SA 4.0)pt_BR
dc.rightshttps://creativecommons.org/licenses/by-nc-sa/4.0/deed.pt_BRpt_BR
dc.rightsopenAccesspt_BR
dc.rightsopenAccesspt_BR
dc.subjectAprendizado do computadorpt_BR
dc.subjectAutenticaçãopt_BR
dc.subjectSegurança de computadorespt_BR
dc.subjectRedes neurais (Computação)pt_BR
dc.titleAprendizado profundo com capacidade computacional reduzida: uma aplicação à quebra de CAPTCHAspt_BR
dc.typebachelorThesispt_BR
dc.contributor.authorLatteshttp://lattes.cnpq.br/2213650736070295pt_BR
dc.contributor.advisorLatteshttp://lattes.cnpq.br/8865836949700771pt_BR
dc.degree.levelGraduacaopt_BR
dc.publisher.countryBrasilpt_BR
dc.degree.localRecifept_BR
dc.degree.grantorUniversidade Federal Rural de Pernambucopt_BR
dc.degree.graduationBacharelado em Ciência da Computaçãopt_BR
dc.degree.departamentDepartamento de Computaçãopt_BR
Aparece nas coleções:TCC - Bacharelado em Ciência da Computação (Sede)

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tcc_diogoeelipefelixdemelo.pdf1,91 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.