@MASTERSTHESIS{ 2025:1518921940,
 	title = {Aprendizagem de filtros conexos por redes neurais usando árvores de componentes},
 	year = {2025},
 	url = "http://bibliotecatede.uninove.br/handle/tede/3602",
 	abstract = "Filtros conexos são amplamente reconhecidos por sua capacidade de preservar con- tornos em imagens. Uma abordagem comum para implementá-los utiliza representações de imagens baseadas em árvores de componentes, que permitem calcular atributos ca- racterísticos dos componentes conexos representados pelos nós da árvore. Esses atributos podem ser usados para filtrar determinados nós com base em limiares e, posteriormente, reconstruir a imagem filtrada. Apesar de sua relevância, a literatura apresenta poucas iniciativas que integram diretamente a aprendizagem automática de filtros conexos no âmbito de redes neurais. Nesta dissertação, propõe-se uma abordagem inovadora para otimizar a filtragem em árvores de componentes, integrando-as diretamente ao processo de aprendizagem das redes neurais. Em vez da tradicional função booleana usada para selecionar os nós, a abordagem emprega uma função contínua e parametrizada, atendendo aos requisitos do treinamento em redes neurais. Os experimentos realizados demonstram que o método proposto é capaz de aprender filtros conexos de maneira eficaz, com de- sempenho consistente em diferentes conjuntos de imagens, atributos e configurações de treinamento, consolidando sua aplicabilidade e eficiência.",
 	publisher = {Universidade Nove de Julho},
 	scholl = {Programa de Pós-Graduação em Informática e Gestão do Conhecimento},
 	note = {Informática}
}