Aprimoramento de Redes Neurais Convolucionais por meio de Camadas Baseadas em Filtros de Gabor: Uma Abordagem Híbrida para Extração de Características Espaciais
Esta tese propõe uma abordagem híbrida para o aprimoramento de redes neurais convolucionais (CNNs) por meio da integração de camadas baseadas em filtros de Gabor, visando aprimorar a extração de características espaciais em tarefas de visão computacional. O módulo de filtragem é aplicado sobre blocos da imagem de entrada, com o objetivo de capturar informações relevantes, como orientações e frequências espaciais, que complementam o aprendizado das arquiteturas de redes neuriais profundas.
A proposta foi avaliada em conjunto com arquiteturas amplamente estabelecidas, como VGG16, ResNet e Inception. Os resultados indicam melhorias significativas tanto em desempenho preditivo quanto em eficiência computacional, especialmente em contextos com restrições de recursos de hardware.
A análise evidencia o potencial da integração entre técnicas clássicas de processamento de imagem e modelos bem-estabelecidos de aprendizado profundo, destacando implicações para o desenvolvimento de arquiteturas mais eficientes, leves e adaptáveis a ambientes multiplataforma.