Modelo de Classificação de Entidades Visuais (Fine-Tuned ViT-Base)
Este modelo representa o Estágio 2 (Refinamento) do projeto ReINVenTA (FrameNet Brasil). Ele é responsável por classificar recortes de objetos (crops) detectados nas imagens, atribuindo-lhes categorias semânticas da hierarquia FrameNet.
📊 Performance
O modelo foi treinado no dataset Flickr30k Entities, lidando com 600+ classes desbalanceadas.
Acurácia Global: 47.5%
Top-20 Accuracy: 55.9%
Nota: O modelo aprendeu a distinguir classes visuais complexas, embora apresente confusão esperada entre classes semanticamente próximas na hierarquia da FrameNet (ex: Person vs Person_by_age).
🧠 Contexto do Projeto
Este classificador atua como um refinador para o Estágio 1 (YOLO). Enquanto o YOLO detecta onde estão os objetos, o ViT confirma o que eles são com maior granularidade, alimentando o vetor simbólico para a fusão Neuro-Simbólica final.
