Percorrer por autor "Moutinho, Joana Barreira Pardal"
A mostrar 1 - 1 de 1
Resultados por página
Opções de ordenação
- Classificação de Perigos Rodoviários com Recurso a Dados de Acelerómetros:Um Estudo Comparativo entre Abordagens de Aprendizagem Automática Clássica e Aprendizagem ProfundaPublication . Moutinho, Joana Barreira Pardal; Madeira, Filipe; Pires, Ivan Miguel Serrano; Velez, Fernando José da SilvaA classificação automática de perigos rodoviários, como buracos e lombas, com base em dados de acelerómetro constitui uma solução de baixo custo para a monitorização de infraestruturas viárias. Comparam-se abordagens de aprendizagem automática clássica e de aprendizagem profunda, recorrendo a três conjuntos de dados públicos integrados num fluxo unificado de pré-processamento e extração de características. Foram avaliados nove modelos clássicos e três arquiteturas profundas, com métricas sensíveis ao desequilíbrio entre classes. A 1D CNN alcançou o melhor desempenho global (F1 macro = 0.5108; exatidão balanceada = 0.6143), revelando maior capacidade na deteção de buracos, enquanto os modelos clássicos baseados em ensembles de árvores se mostraram competitivos na deteção de lombas, com custo computacional inferior. O desequilíbrio entre classes manteve-se um desafio significativo. A aprendizagem profunda demonstra vantagens na extração automática de padrões, mas os modelos clássicos continuam relevantes onde a interpretabilidade e a eficiência computacional são prioritárias.