This paper aims to compare the convolutional neural networks(CNNs): ResNet50, InceptionV3, and InceptionResNetV2 tested withand without pre-trained weights on the ImageNet database in orderto solve the scene recognition problem. The results showed that thepre-trained ResNet50 achieved the best performance with an averageaccuracy of 99.82% in training and 85.53% in the test, while theworst result was attributed to the ResNet50 without pre-training,with 88.76% and 71.66% of average accuracy in training and testing,respectively. The main contribution of this work is the direct comparisonbetween the CNNs widely applied in the literature, that is,to enable a better selection of the algorithms in the various scenerecognition applications.

Pneumonia is one of the most common medical problems in clinical practice and is the leading fatal infectious disease worldwide. According to the World Health Organization, pneumonia kills about 2 million children under the age of 5 and is constantly estimated to be the leading cause of infant mortality, killing more children than AIDS, malaria, and measles combined. A key element in the diagnosis is radiographic data, as chest x-rays are routinely obtained as a standard of care and can aid to differentiate the types of pneumonia. However, a rapid radiological interpretation of images is not always available, particularly in places with few resources, where childhood pneumonia has the highest incidence and mortality rates. As an alternative, the application of deep learning techniques for the classification of medical images has grown considerably in recent years. This study presents five implementations of convolutional neural networks (CNNs): ResNet50, VGG-16, InceptionV3, InceptionResNetV2, and ResNeXt50. To support the diagnosis of the disease, these CNNs were applied to solve the classification problem of medical radiographs from people with pneumonia. InceptionResNetV2 obtained the best recall and precision results for the Normal and Pneumonia classes, 93.95% and 97.52% respectively. ResNeXt50 achieved the best precision and f1-score results for the Normal class (94.62% and 94.25% respectively) and the recall and f1-score results for the Pneumonia class (97.80% and 97.65%, respectively).

No abstract

Resumo-Segundo a Organização Mundial da Saúde (OMS), a pneumonia mata cerca de 2 milhões de crianças menores de 5 anos e é constantemente estimada como a principal causa de mortalidade infantil, matando mais crianças do que o HIV/AIDS, a malária e o sarampo juntos. A aplicação de técnicas de aprendizagem profunda para classificação de imagens médicas cresceu consideravelmente nos últimos anos. Esta pesquisa apresenta três implementações de redes neurais convolucionais (RNCs): ResNet50, VGG-16 e InceptionV3. Essas RNCs são aplicadas com o objetivo de solucionar o problema de classificação de radiografias médicas de pessoas com pneumonia, a fim de auxiliar no diagnóstico da doença. As três arquiteturas utilizadas nesta pesquisa obtiveram resultados satisfatórios. A ResNet50 superou InceptionV3 e VGG-16, alcançando a maior porcentagem de precision em treinamento e teste, assim como resultados superiores no recall e f1-score. O f1-score da ResNet50 para a classe normal foi de 88,42%, comparado a 81,54% para a InceptionV3 e 81,42% para a VGG-16. Para a classe de pneumonia foi 95,10% contra 92,82% da InceptionV3 e 92,54% da VGG-16.Keywords-Aprendizagem profunda; Reconhecimento de padrões; Redes neurais convolucionais.

Resumo-O paradigma de monitoramento de integridade estrutural (SHM) consiste em um processo que fornece informações precisas sobre a condição e o desempenho estrutural. As informações obtidas pela SHM são usadas para planejar e projetar atividades de manutenção, aumentar a segurança, verificar hipóteses, reduzir incertezas e aumentar o conhecimento sobre a estrutura. No contexto da aplicação de algoritmos de aprendizado de máquina na detecção de dano estrutural, os algoritmos de clusterização se destacam por serem uma abordagem capaz de revelar as principais condições estruturais quando da operação normal de uma estrutura. Neste trabalho são comparadas três abordagem de detecção de dano baseadas nos algoritmos K-Means, DBSCAN e MeanShift. Os resultados obtidos demonstraram que a abordagem baseada no DBSCAN obteve a melhor performance em termos de erros tipo I e II. Keywords-Monitoramento de integridade estrutural, Clusterização, Detecção de dano.