Nosso trabalho compara um conjunto de redes de segmentação semântica aplicados na detecção de pessoas em imagens de praia, como parte de um sistema de rastreamento automático para evitar que banhistas ultrapassem a região segura do mar. Em nossa análise, comparamos as redes de segmentação U-net, X-net, Linknet, e Unet++ usando os backbones prétreinados VGG-16 e VGG-19. Nós propomos nossa própria base de imagens, composta de 300 imagens. Os modelos foram avaliados utilizando a métrica F-score. Nossos resultados mostraram que a Linknet obteve o melhor valor de F-score, com 90.89%, enquanto a Linknet foi mais rápida que as outras redes, sem diferença estatística significativa.

Recipe sharing websites have become very popular in the past years, allowing individuals to use such systems in an attempt to find a desired recipe. But sometimes finding recipes which best fit the user's wishes, while still satisfying his food restrictions, may become a very time consuming and difficult task. In this work, we propose a recipe multi-label classification approach as part of a recipe recommendation system for people with food restrictions, in an attempt to automatically identify whether an input recipe or list of ingredients fits into one or more food restrictions, satisfying both user's expectations and needs. The experimental evaluation includes two approaches for feature selection, as a manner to reduce the computational costs for the proposed system.

Atualmente, mesmo com o aumento no número de páginas web e sistemas de compartilhamento de receitas, usuários podem ter dificuldade na busca por pratos específicos através da enorme quantidade de dados contidas nesses repositórios. Encontrar receitas que se adequem a um conjunto de ingredintes em mãos, contemplando as vontades e restrições desses usuários, pode ser uma tarefa demorada ou mesmo impossível. Neste trabalho, um sistema de recomendação e geração de receitas é proposto, baseado na substituição de ingredientes das receitas e em uma abordagem focada nos dados, em uma tentativa de ajudar os usuários a encontrarem receitas que contemplem tanto seus desejos, quanto suas restrições alimentares, evitando desperdícios.

Neste trabalho, a classificação de receitas culinárias é abordada através da elaboração de uma ferramenta computacional própria para a análise de documentos textuais escritos em Português. A ferramenta proposta será parte fundamental no desenvolvimento de sistemas de recomendação de receitas para os brasileiros, no intuito do incentivo à prática de hábitos alimentares saudáveis por essa população. Uma base de dados nova, obtida através de páginas web brasileiras, é elaborada e testada pelo uso de algoritmos obtidos da literatura de Aprendizagem de Máquina. Experimentos foram efetuados no intuito da seleção dos melhores classificadores para a composição dos módulos de reconhecimento dos sistemas de recomendação a serem desenvolvidos.

Plants play an important role in nature, providing sustenance, oxygen and shelter for animals. Many plant and herb species have a long history of use as sources for medicines and medical treatments in a field known as traditional medicine. Traditional medicine is still adopted in many countries (such as India and Brazil) for a variety of reasons: plants and herbs are cheap in comparison to other kinds of pharmaceutical drugs, plants are nontoxic and do not impact any side effect when properly used. But the correct identification of medicinal plant species is still a challenging task in machine learning and computer vision. Many automatic systems for plant species recognition have been proposed on the past few years, but most of the proposed systems only present acceptable accuracies for a specific and limited set of plant species. In this work, we develop a new medicinal plant data set based on the extraction of texture and color features from plant leaf images. A complete automatic plant recognition system is proposed, and five well-known machine learning classifiers are tested as the recognition module. Experimental results showed that the best classifiers are able to obtain average accuracies over 97% on the proposed data set.