A aprendizagem automática tem vindo a progredir cada vez mais rapidamente, especialmente na área do reconhecimento de imagens. Apesar das redes neuronais convolucionais estarem presentes na classificação de imagens há muito tempo, apenas nos últimos anos têm sido reconhecidas pelo seu bom desempenho. A principal vantagem destas redes neuronais é a flexibilidade em transpor conhecimento entre problemas, i.e. usar uma rede treinada para um determinado tipo de problema num outro problema com pequenas adaptações. Por outro lado, as redes neuronais convolucionais têm uma grande exigência computacional, bem como uma exigência de grande volume de dados de treino. Este nível de exigência tem vindo a ser ultrapassado ao longo dos anos e, consequentemente, têm-se vindo a obter cada vez melhores resultados. Neste trabalho é utilizada uma rede neuronal convolucional pré-treinada (metodologia denominada transfer learning). Esta metodologia foi aplicada no presente trabalho com dois objetivos distintos: para a classificação de imagens de interior e de exterior de imóveis e para a classificação da qualidade representativa destas imagens. Uma vez que para o treino e validação de uma rede neuronal convolucional é necessário ter previamente os dados classificados, de modo à rede poder extrair características e aprender, foi necessário identificar um conjunto de dados para o treino e validação da rede. Para tal, foram recolhidas e editadas imagens, de modo a permitir treinar a rede neuronal para os dois objetivos referidos anteriormente. A aplicação deste tipo de classificações pode ser útil na área das imobiliárias, pois as imagens submetidas em plataformas de compra e venda de casas exige uma qualidade mínima. Para além da exigência no que diz respeito às imagens introduzidas, este tipo de classificações pode ser útil na filtragem de imagens dentro deste tipo de aplicações. Os resultados obtidos nas experiências realizadas não foram completamente satisfatórios, pois a rede sofreu de overfitting, como se pode verificar no capítulo 4.

Machine learning algorithms have grown very fast during the past few years, especially in the area of image recognition. Recently, convolutional neuronal networks have proven their efficiency in image classification. One of the main advantages of these neuronal networks is the facility to transfer knowledge between different problems, i.e. to use a network trained for a particular type of problem to solve another problem, only with small adaptations. On the other hand, convolutional neuronal networks require a great computational power, as well as a large training dataset. This level of requirements have been increased during the last years and therefore accomplishing greater results. In the present work, a pre-trained convolutional neuronal network (methodology called transfer learning) is used. This methodology was applied with two distinct objectives: image classification of real estate images (indoor and outdoor) and classification of the representative quality of these images. Since the training and validation of a convolutional neuronal network requires a previous classified dataset, so that the network can extract characteristics and learn them, it was necessary to classify a dataset for the training and validation of the network. For this purpose, images were collected and edited in order to allow the training of the neuronal network for the two objectives mentioned above.