Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov

Página do item simplificado
dc.contributor.advisor1Soares, Anderson da Silva
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/1096941114079527pt_BR
dc.contributor.referee1Soares, Anderson da Silva
dc.contributor.referee2Delbem, Alexandre Cláudio Botazzo
dc.contributor.referee3Soares, Fabrízzio Alphonsus Alves de Melo Nunes
dc.contributor.referee4Laureano, Gustavo Teodoro
dc.contributor.referee5Costa, Ronaldo Martins da
dc.creatorFeitosa, Rafael Divino Ferreira
dc.creator.Latteshttp://lattes.cnpq.br/4739463636062171pt_BR
dc.date.accessioned2020-09-09T19:04:43Z
dc.date.available2020-09-09T19:04:43Z
dc.date.issued2020-03-15
dc.description.abstractIn many pattern recognition problems, discriminant features are unknown and/or class boundaries are not well defined. Several studies have used data compression to discover knowledge, without features extraction and selection. The basic idea is two distinct objects can be grouped as similar, if the information content of one explains, in a significant way, the information content of the other. However, compressionbased techniques are not efficient for images, as they disregard the semantics present in the spatial correlation of two-dimensional data. A classifier is proposed for estimates the visual complexity of scenes, namely Pattern Recognition by Randomness (PRR). The operation of the method is based on data transformations, which expand the most discriminating features and suppress details. The main contribution of the work is the use of randomness as a measure discrimination. The approximation between scenes and trained models, based on representational distortion, promotes a lossy compression process. This loss is associated with irrelevant details, when the scene is reconstructed with the representation of true class, or with the information degradation, when it is reconstructed with divergent representations. The more information preserved, the greater the randomness of the reconstruction. From the mathematical point of view, the method is explained by two main measures in the U-dimensional plane: intersection and dispersion. The results yielded accuracy of 0.6967, for a 12-class problem, and 0.9286 for 7 classes. Compared with k-NN and a data mining toolkit, the proposed classifier was superior. The method is capable of generating efficient models from few training samples. It is invariant for vertical and horizontal reflections and resistant to some geometric transformations and image processing.eng
dc.description.provenanceSubmitted by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-09T14:33:52Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Rafael Divino Ferreira Feitosa - 2020.pdf: 7915469 bytes, checksum: 55db483cc863a41fe1affafabeae3e1f (MD5)en
dc.description.provenanceApproved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-09T19:04:43Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Rafael Divino Ferreira Feitosa - 2020.pdf: 7915469 bytes, checksum: 55db483cc863a41fe1affafabeae3e1f (MD5)en
dc.description.provenanceMade available in DSpace on 2020-09-09T19:04:43Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Rafael Divino Ferreira Feitosa - 2020.pdf: 7915469 bytes, checksum: 55db483cc863a41fe1affafabeae3e1f (MD5) Previous issue date: 2020-03-15en
dc.description.resumoEm muitos problemas de reconhecimento de padrões, as características discriminantes são desconhecidas e/ou as fronteiras das classes não são bem definidas. Diversos trabalhos têm utilizado a compressão de dados para descoberta de conhecimento, sem a extração e seleção dessas características. O fundamento dessa abordagem é que dois objetos podem ser agrupados como semelhantes, se o conteúdo da informação de um deles explicar, de forma significante, o conteúdo da informação do outro. Entretanto, as técnicas baseadas em compressão não são eficientes para imagens, pois desconsideram a semântica presente na correlação espacial dos dados bidimensionais. É proposto um classificador, que estima a complexidade visual de cenas, denominado Reconhecimento de Padrões por Aleatoriedade (RPA). O funcionamento do método é fundamentado em transformações de dados, que ampliam as características mais discriminantes e suprimem os detalhes. A principal contribuição do trabalho é o uso da aleatoriedade como medida de discriminação. A aproximação entre cenas e modelos treinados, baseada na distorção representacional, promove um processo de compressão com perda. Essa perda é associada a detalhes irrelevantes, quando a cena é reconstruída com a representação de sua própria classe, ou à degradação de informações, quando é reconstruída com representações díspares. Quanto mais informação preservada, maior a aleatoriedade da reconstrução. Do ponto de vista matemático, o funcionamento do método é explicado por duas principais medidas no plano Udimensional de projeção das amostras: interseção e dispersão. Os resultados mostram acurácias de 0,6967, para um problema de 12 classes, e 0,9286 para 7 classes. Comparado com o k-NN e um toolkit de mineração de dados, o classificador proposto foi superior. O método é capaz de gerar modelos eficientes a partir de poucas amostras de treinamento. É invariante para reflexões verticais e horizontais e resistente a algumas transformações geométricas e processamentos de imagem.pt_BR
dc.identifier.citationFEITOSA, R. D. F. Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov. 2020. 204 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2020.pt_BR
dc.identifier.urihttp://repositorio.bc.ufg.br/tede/handle/tede/10638
dc.languageporpt_BR
dc.publisherUniversidade Federal de Goiáspt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentInstituto de Informática - INF (RG)pt_BR
dc.publisher.initialsUFGpt_BR
dc.publisher.programPrograma de Pós-graduação em Ciência da Computação (INF)pt_BR
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/br/*
dc.subjectClassificação de cenaspor
dc.subjectCompressão de dadospor
dc.subjectQuantização vetorialpor
dc.subjectAleatoriedadepor
dc.subjectComplexidade de Kolmogorovpor
dc.subjectEntropiapor
dc.subjectComplexidade visualpor
dc.subjectScene classificationeng
dc.subjectData compressioneng
dc.subjectVector quantizationeng
dc.subjectRandomnesseng
dc.subjectKolmogorov’s complexityeng
dc.subjectEntropyeng
dc.subjectVisual complexityeng
dc.subject.cnpqCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.titleClassificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorovpt_BR
dc.title.alternativeScene classification using the analysis of randomness by approximation of Kolmogorov’s complexityeng
dc.typeTesept_BR

Arquivos

Pacote Original
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
Tese - Rafael Divino Ferreira Feitosa - 2020.pdf
Tamanho:
7.55 MB
Formato:
Adobe Portable Document Format
Descrição:
Baixar
Licença do Pacote
Agora exibindo 1 - 1 de 1
Nenhuma Miniatura disponível
Nome:
license.txt
Tamanho:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descrição:
Baixar

Coleções

Doutorado em Ciência da Computação