O trabalho tem como objetivo classificar a espécie de uma muda a partir de uma imagem, utilizando arquiteturas de redes neurais convolucionais (CNNs), como ResNet, VGG e AlexNet. No entanto, não é permitido o uso de redes pré-treinadas, exigindo que o modelo seja treinado do zero. O dataset contém imagens RGB de aproximadamente 960 plantas únicas, abrangendo 12 espécies em diferentes estágios de crescimento, com uma resolução de cerca de 10 pixels por mm.
As imagens foram coletadas na estação de pesquisa Flakkebjerg da Universidade de Aarhus, em colaboração com a Universidade do Sul da Dinamarca. O conjunto de dados pode ser acessado na versão V1 da competição do Kaggle (link), oferecendo um cenário realista para a classificação de mudas.
O objetivo deste trabalho é desenvolver modelos de tradução automática do francês para o português utilizando a arquitetura Encoder-Decoder. Serão treinados três modelos distintos: (1) LSTM, (2) LSTM com mecanismo de Atenção (Produto Escalar, Bahdanau e Luong) e (3) Transformadores. Pode-se utilizar LSTM unidirecional ou bidirecional. Após o treinamento, os modelos serão comparados para determinar qual oferece as melhores traduções.
O conjunto de dados utilizado é o do D Talks Open Translation Project, disponível no Datasets do TensorFlow. Ele contém aproximadamente 52.000 exemplos para treinamento, 1.200 para validação e 1.800 para teste, proporcionando um cenário robusto para a avaliação dos modelos de tradução.
O terceiro trabalho não apresenta um tema fixo