@MASTERSTHESIS{ 2024:1730388252,
 	title = {Detecção de Armas de Fogo Usando DETR com Múltiplas Redes Neurais Autocoodenadas},
 	year = {2024},
 	url = "https://tedebc.ufma.br/jspui/handle/tede/5758",
 	abstract = "Este trabalho apresenta uma nova estratégia que faz uso de múltiplas redes neurais
 em conjunto com a rede do tipo DEtection TRansformer (DETR) na detecção de
 armas de fogo em imagens de vigilância. O crescimento contínuo de violência por
 armas de fogo em todo o mundo obrigou várias agências, empresas e consumidores
 a implantar câmeras de vigilância de circuito fechado de TV (CFTV) na tentativa de
 combater essa epidemia. Porém o grande número de câmeras a serem observadas
 leva a sobrecarga dos operadores de CFTV, gerando cansaço e estresse,
 consequentemente, perda de eficiência na vigilância. A estratégia desenvolvida
 neste trabalho expõe uma metodologia que promove a colaboração e a
 autocoordenação das redes nas camadas full connected da DETR através da
 técnica de múltiplas redes neurais artificiais (MRNA) autocoordenadas, que dispensa
 o uso de coordenador. Essa autocoordenação consiste em fazer com que as redes
 sejam treinadas, uma após a outra, e as suas saídas sejam integradas sem um
 elemento extra chamado de coordenador. Tendo em vista melhorar a vigilância
 remota, a inserção de redes neurais profundas vem mostrando-se eficiente na
 detecção e identificação de objetos em vídeos, tendo, em diversas situações,
 produzido resultados mais precisos e consistentes que seres humanos. Tanto quanto
 se sabe, este trabalho é o primeiro a introduzir a MRNA autocoordendas em
 arquiteturas de detecção de objetos baseadas em transformadores para a detecção
 de objetos.",
 	publisher = {Universidade Federal do Maranhão},
 	scholl = {PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO/CCET},
 	note = {DEPARTAMENTO DE INFORMÁTICA/CCET}
}