Aprendizado de contexto de imagens por meio de redes neurais convolucionais baseadas em grafos

Entre as areas da visao computacional, a compreensao de contexto de imagem, que se direciona ao reconhecimento de cenas pelos seus objetos, vem sendo observada em diferentes aplicacoes. Entretanto, ferramentas tradicionais da visao computacional, como as Redes Neurais Convolucionais ( CNNs ) e Multi-Layer Perceptrons ( MLPs ), por operarem no dominio euclidiano sao incapazes de modelarem as relacoes entre os objetos da imagem, consequentemente, prejudicando o reconhecimento. Desta forma, este trabalho apresenta a proposta e o desenvolvimento de um modelo capaz de determinar o contexto de uma imagem pela analise do conteudo dos objetos (caracteristicas visuais) e as suas respectivas interacoes. Para isso, e construida uma representacao em forma de grafo do conjunto de dados MIT64, e treinada uma estrutura de Rede Neural Convolucional baseada em Grafo ( GCN ) capaz de abstrair ambas informacoes (as interacoes e o conteudo dos objetos). Pelos experimentos, a abordagem proposta apresenta, em relacao as ferramentas tradicionais ( MLP ), uma melhora de 134% na assertividade do modelo. Assim, evidenciando a importância das interacoes entre os objetos em conjunto com as caracteristicas visuais.