Tese (doutorado)—Universidade de Brasília, Programa de Pós-Graduação em Botânica, 2011. / Submitted by Alaíde Gonçalves dos Santos (alaide@unb.br) on 2012-06-01T15:22:12Z No. of bitstreams: 1 2011_AndrielleCamaraAmaral.pdf: 7647817 bytes, checksum: 9a226ce288a2a38967f5b6b2009c3f9d (MD5) / Approved for entry into archive by Elzi Bittencourt(elzi@bce.unb.br) on 2012-06-02T15:42:52Z (GMT) No. of bitstreams: 1 2011_AndrielleCamaraAmaral.pdf: 7647817 bytes, checksum: 9a226ce288a2a38967f5b6b2009c3f9d (MD5) / Made available in DSpace on 2012-06-02T15:42:52Z (GMT). No. of bitstreams: 1 2011_AndrielleCamaraAmaral.pdf: 7647817 bytes, checksum: 9a226ce288a2a38967f5b6b2009c3f9d (MD5) / O conhecimento sobre a diversidade de espécies dos principais gêneros de Amaryllidaceae nativos do Brasil é insuficiente, e os caracteres taxonômicos utilizados para a delimitação dos próprios gêneros e distinção das espécies necessitam de aprimoramento. As Amaryllidaceae constituem-se em um importante objeto de estudo devido à importância de suas espécies com potencial ornamental na flora tropical. Há controvérsias entre os autores em relação à delimitação dos gêneros na família. A delimitação de Habranthus é muito confusa, em muitas espécies as descrições foram baseadas apenas na parte reprodutiva, a partir do material herborizado. Por isso, ainda carece de maior detalhamento, o que deve começar ao nível de espécie. O presente estudo foca nas espécies brasileiras do gênero Habranthus e traz três abordagens principais. A primeira, com o levantamento das espécies do gênero Habranthus no Brasil, trazendo lista de espécies, caracterização morfológica, descrições, ilustrações e mapas de distribuição e chaves de identificação. A segunda abordagem traz os resultados da pesquisa taxonômica realizadas no material original das espécies e seus protólogos e apresenta tipificações e sinonimizações das espécies de ocorrência no Brasil. E a terceira abordagem procura esclarecer o posicionamento de Habranthus em relação a outros gêneros de Amaryllidaceae, tendo em vista a antiga controvérsia na família sobre a validade dos gêneros Habranthus e Zephyranthes. Os resultados desses estudos indicam a presença de 21 espécies de Habranthus para o Brasil. Dez espécies foram tipificadas. Os resultados moleculares suportam melhor o tratamento de Habranthus e Zephyranthes como um único gênero monofilético sob o nome mais antigo, Zephyranthes Herb. ______________________________________________________________________________ ABSTRACT / Knowledge of the species diversity of the major genera of Amaryllidaceae native to Brazil is inadequate, and the taxonomic characters used to delimit the genus and the species should be improved. The Amaryllidaceae constitute an important object of study because of the importance of its members as potential ornamental species of the tropical flora. There is controversy among authors concerning the delimitation of genera in the family. The delimitation of Habranthus is very confusing; in many species descriptions were based only on the reproductive characters, taken from herbarium specimens. Therefore, further more detailed research, which must begin at the species level is needed. This study focuses on species of the genus Habranthus and provides three main approaches. The first, to survey the species of the genus Habranthus in Brazil, including the list of species, morphological characterization, descriptions, illustrations and distribution maps and identification keys. The second approach brings the results of taxonomic research done as the original material of the species and its protologue with typifications and synonyms of the species occurring in Brazil. The third approach strives to clarify the positioning of Habranthus in relation to other genera of Amaryllidaceae, in view of the old family dispute about the validity of the genera Habranthus and Zephyranthes. The results of these studies indicate the presence of 21 species of Habranthus in Brazil. Ten lectotypifications are proposed. A molecular data support treating Habranthus and Zephyranthes as a monophyletic genus under the name Zephyranthes Herb.

Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Mecânica, 2017. / Submitted by Albânia Cézar de Melo (albania@bce.unb.br) on 2017-08-24T13:58:08Z No. of bitstreams: 1 2017_RenéOctavioQueirozDias.pdf: 17746801 bytes, checksum: 9dc00a9435aa0263edd4056fbbad2612 (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-09-26T16:44:32Z (GMT) No. of bitstreams: 1 2017_RenéOctavioQueirozDias.pdf: 17746801 bytes, checksum: 9dc00a9435aa0263edd4056fbbad2612 (MD5) / Made available in DSpace on 2017-09-26T16:44:32Z (GMT). No. of bitstreams: 1 2017_RenéOctavioQueirozDias.pdf: 17746801 bytes, checksum: 9dc00a9435aa0263edd4056fbbad2612 (MD5) Previous issue date: 2017-09-26 / Classificação de plantas tem sido um problema recorrente na comunidade de Visão Computacional. Visualmente, as plantas apresentam uma variabilidade muito grande, decorrente principalmente de efeitos sazonais, idade e fundos. Sistemas de classificação mais antigos tinham problemas para lidar com estas variações e seus bancos de dados usavam imagens mais simples com apenas partes desmembradas de plantas (como folhas e flores) e fundo branco. Com o advento das Redes Neurais Profundas, que demostraram ser bastante competitivas como classificadores de propósito geral, o objetivo é testá-las com um banco de dados de propósito mais específico, que podem tencionar mais estes classificadores tentando classificar espécies de plantas similares em poses bastante diferentes. Construiu-se um banco de dados que é focado em como o usuário comum tira retratos de plantas. Este novo banco de dados, chamado Plantas, foi feito para ter poucas restrições. Inicialmente, há 50 espécies diferentes que são usados comumente em jardinagem, e há mais de 33.000 imagens. Estas fotos foram tiradas in loco e da Internet. Depois, treinou-se com técnicas recentes do estado da arte, como os Métodos de Codificação e Redes Neurais Profundas. Nos Métodos de Codificação, são usados três codificadores: Saco de Palavras Visuais (BoVW), Vetores Fisher (FV) e Vetores de Descritores Linearmente Agregados (VLAD). Nos Métodos de Codificação, há duas fases: uma aprendizagem sem-supervisão e em seguida uma supervisionada. Em todos os métodos, o processo é parecido. Na fase sem-supervisão, obtêm-se os descritores SIFT, retira-se uma amostra destes descritores, faz uma aprendizagem da projeção da Análise de Componentes Principais e usa-se k-médias para agregar estas características em k grupos, que são o número de palavras. Aqui se separa o treinamento de BoVW e VLAD dos Vetores Fisher. Para os primeiros, cria-se uma árvore k-d para facilitar o posterior processo de pesquisa. Para os Vetores Fisher, usa-se os grupos como inicialização dos Modelos de Mistura de Distribuições Normais. Na fase de aprendizagem supervisionada, passa-se uma imagem pelos processos de obtenção dos descritores SIFT, amostragem e PCA. Então, para cada característica de uma imagem, pesquisase o grupo a qual pertencente. Para BoVW, obtém-se um histograma que conta cada palavra da imagem que tem o equivalente no dicionário. Para VLAD, obtém-se o desvio à média destas palavras, e com Vetores Fisher, além do desvio à média, calcula-se o desvio à covariância. Estes, representam os descritores finais que são posteriormente treinados com uma Máquina de Vetores de Suporte Linear (Linear-SVM). Nas redes neurais, são treinadas diferentes arquiteturas recentes como AlexNet, CaffeNet, GoogLeNet e ResNet. Elas contêm técnicas que exploram a estrutura espacial das imagens, como as camadas de convoluções, e usam técnicas de regularização que evitam sobreajuste—que era algo especialmente comum em redes com muitos parâmetros—como Dropout e Normalização em Lotes. Também foi a primeira vez em que se usou uma função de ativação que não sofre problemas de saturação, a Unidade Linear Retificada (ReLU) que tomou o lugar de Sigmóides e Tangentes Hiperbólicas. Usando estas arquiteturas, faz-se experimentos para saber como elas respondem ao novo banco de dados, e quais são as melhores especificações para obter-se a melhor acurácia e quais as razões que uma escolha é melhor que a outra. Nestes experimentos, funções de ativações mais recentes como a Unidade Linear Retificada Parametrizada (PReLU) e a Unidade Linear Exponencial (ELU) foram testadas. Também, usa-se técnicas de ajuste fino em que se reutiliza parâmetros de uma rede treinada para um certo banco de dados em outro, também conhecido como transferência de conhecimento. / Classifying plant species has been a recurrent topic in the Computer Vision community. Visually, plants present a high level of variability, mostly because of seasonal effects, age and background. Early classification systems had difficulties to deal with this variability and early databases relied on simple images, using dismembered parts of the plants, such as leaves and flowers, and a distinctive background (usually white). With the advent of Deep Neural Networks, which proved to be very competitive as a generalpurpose classifier, we aim to assess them with a more specific-purpose database, which can be further strained by trying to classify similar plant species in some very different poses. We created a new database that focus on how the common user takes plant pictures. This database, named Plantas, is meant to be highly unconstrained. Initially, it contains 50 common different species and cultivars used in gardening worldwide, and more than 33,000 images. These images were taken on site and download from the Internet. Then, we train this database with the latest state of the art techniques, such as Encoding Methods and Deep Neural Networks. We further explore neural networks by testing some recent activation functions and also fine-tuning.