Análise Comparativa de Arquiteturas de Redes Neurais Convolucionais: O Impacto da Remoção de Pelos e Ruídos na Aprendizagem do Algoritmo
Resumo
Este trabalho realiza uma análise comparativa entre diferentes arquiteturas de Redes Neurais Convolucionais — ResNet50V2, InceptionV3, EfficientNetB7 e MobileNetV2 — com o objetivo de avaliar o impacto do préprocessamento de imagens dermatoscópicas, especialmente a remoção de pelos e ruídos, no desempenho dos modelos de classificação. Foram considerados quatro cenários experimentais com e sem o uso de transfer learning e data augmentation. Os resultados mostraram que a ResNet50V2, combinada ao préprocessamento e técnicas de aprendizagem profunda, obteve os melhores desempenhos. Conclui-se que o tratamento adequado das imagens é essencial para a melhora na acurácia e na capacidade discriminativa dos modelos.Referências
Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J., Devin, M., Ghemawat, S., Irving, G., Isard, M., et al. (2016). Tensorflow: a system for large-scale machine learning. In 12th USENIX symposium on operating systems design and implementation (OSDI 16), pages 265–283, Savannah, GA. USENIX Association.
Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools.
Carvalho, M. B. F. d. (2020). Reconhecimento automático de fonemas via rna profunda. Biblioteca Digital de Teses e Dissertações UFMA.
Chollet, F. et al. (2015). Keras. [link].
da Saúde, M. (2024). Câncer de pele. [link]. [online; acesso em 09 de março de 2025].
da Saúde, O. M. (2025). Cancer. [link]. [online; acesso em 09 de março de 2025].
DiMatos, D. C. and Al., E. (2009). Melanoma cutâneo no brasil. Arquivos Catarinenses de Medicina, 38(Suplemento 01):14.
Esteva, A., Kuprel, B., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639):115–118.
G. Argenziano, H. P. S. (2001). Dermoscopy of pigmented skin lesions–a valuable tool for early diagnosis of melanoma. The Lancet Oncology, 2(7):443–449.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT press.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
Hunter, J. D. (2007). Matplotlib: A 2d graphics environment. Computing in Science & Engineering, 9(3):90–95.
LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobile-netv2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4510–4520.
Souza, V., Silva, L., Santos, A., and Araújo, L. (2020). Análise comparativa de redes neurais convolucionais no reconhecimento de cenas. Anais do Computer on the Beach, 11(1):419–426.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1–9.
Tan, M. and Le, Q. V. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. CoRR, abs/1905.11946.
Van Rossum, G. and Drake, F. L. (2009). Python 3 Reference Manual. CreateSpace, Scotts Valley, CA.
Vieira, E. Q. (2022). Comparação entre diferentes modelos de redes neurais convolucionais para classificação de melanoma. Universidade de Brasília.
Zhong, Z., Jin, L., and Xie, Z. (2015). High performance offline handwritten chinese character recognition using googlenet and directional feature maps. In 2015 13th International Conference on Document Analysis and Recognition (ICDAR), pages 846–850. IEEE.
Bradski, G. (2000). The OpenCV Library. Dr. Dobb’s Journal of Software Tools.
Carvalho, M. B. F. d. (2020). Reconhecimento automático de fonemas via rna profunda. Biblioteca Digital de Teses e Dissertações UFMA.
Chollet, F. et al. (2015). Keras. [link].
da Saúde, M. (2024). Câncer de pele. [link]. [online; acesso em 09 de março de 2025].
da Saúde, O. M. (2025). Cancer. [link]. [online; acesso em 09 de março de 2025].
DiMatos, D. C. and Al., E. (2009). Melanoma cutâneo no brasil. Arquivos Catarinenses de Medicina, 38(Suplemento 01):14.
Esteva, A., Kuprel, B., et al. (2017). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639):115–118.
G. Argenziano, H. P. S. (2001). Dermoscopy of pigmented skin lesions–a valuable tool for early diagnosis of melanoma. The Lancet Oncology, 2(7):443–449.
Goodfellow, I., Bengio, Y., and Courville, A. (2016). Deep learning. MIT press.
He, K., Zhang, X., Ren, S., and Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, pages 770–778.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
Hunter, J. D. (2007). Matplotlib: A 2d graphics environment. Computing in Science & Engineering, 9(3):90–95.
LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). Mobile-netv2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE conference on computer vision and pattern recognition, pages 4510–4520.
Souza, V., Silva, L., Santos, A., and Araújo, L. (2020). Análise comparativa de redes neurais convolucionais no reconhecimento de cenas. Anais do Computer on the Beach, 11(1):419–426.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 1–9.
Tan, M. and Le, Q. V. (2019). Efficientnet: Rethinking model scaling for convolutional neural networks. CoRR, abs/1905.11946.
Van Rossum, G. and Drake, F. L. (2009). Python 3 Reference Manual. CreateSpace, Scotts Valley, CA.
Vieira, E. Q. (2022). Comparação entre diferentes modelos de redes neurais convolucionais para classificação de melanoma. Universidade de Brasília.
Zhong, Z., Jin, L., and Xie, Z. (2015). High performance offline handwritten chinese character recognition using googlenet and directional feature maps. In 2015 13th International Conference on Document Analysis and Recognition (ICDAR), pages 846–850. IEEE.
Publicado
28/05/2025
Como Citar
SOLON, Matheus Rodrigues de Oliveira; QUEIROZ, Vivian Kailany Marques de; SOUSA, Roney Nogueira.
Análise Comparativa de Arquiteturas de Redes Neurais Convolucionais: O Impacto da Remoção de Pelos e Ruídos na Aprendizagem do Algoritmo. In: ENCONTRO UNIFICADO DE COMPUTAÇÃO DO PIAUÍ (ENUCOMPI), 17. , 2025, Teresina/PI.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 69-78.
DOI: https://doi.org/10.5753/enucompi.2025.9621.
