Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
dc.contributor.advisor1 | Soares, Anderson da Silva | |
dc.contributor.advisor1Lattes | http://lattes.cnpq.br/1096941114079527 | pt_BR |
dc.contributor.referee1 | Soares, Anderson da Silva | |
dc.contributor.referee2 | Delbem, Alexandre Cláudio Botazzo | |
dc.contributor.referee3 | Soares, Fabrízzio Alphonsus Alves de Melo Nunes | |
dc.contributor.referee4 | Laureano, Gustavo Teodoro | |
dc.contributor.referee5 | Costa, Ronaldo Martins da | |
dc.creator | Feitosa, Rafael Divino Ferreira | |
dc.creator.Lattes | http://lattes.cnpq.br/4739463636062171 | pt_BR |
dc.date.accessioned | 2020-09-09T19:04:43Z | |
dc.date.available | 2020-09-09T19:04:43Z | |
dc.date.issued | 2020-03-15 | |
dc.description.abstract | In 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.provenance | Submitted 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.provenance | Approved 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.provenance | Made 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: 2020-03-15 | en |
dc.description.resumo | Em 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.citation | FEITOSA, 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.uri | http://repositorio.bc.ufg.br/tede/handle/tede/10638 | |
dc.language | por | pt_BR |
dc.publisher | Universidade Federal de Goiás | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | Instituto de Informática - INF (RG) | pt_BR |
dc.publisher.initials | UFG | pt_BR |
dc.publisher.program | Programa de Pós-graduação em Ciência da Computação (INF) | pt_BR |
dc.rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/br/ | * |
dc.subject | Classificação de cenas | por |
dc.subject | Compressão de dados | por |
dc.subject | Quantização vetorial | por |
dc.subject | Aleatoriedade | por |
dc.subject | Complexidade de Kolmogorov | por |
dc.subject | Entropia | por |
dc.subject | Complexidade visual | por |
dc.subject | Scene classification | eng |
dc.subject | Data compression | eng |
dc.subject | Vector quantization | eng |
dc.subject | Randomness | eng |
dc.subject | Kolmogorov’s complexity | eng |
dc.subject | Entropy | eng |
dc.subject | Visual complexity | eng |
dc.subject.cnpq | CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO | pt_BR |
dc.title | Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov | pt_BR |
dc.title.alternative | Scene classification using the analysis of randomness by approximation of Kolmogorov’s complexity | eng |
dc.type | Tese | pt_BR |
Arquivos
Pacote Original
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:
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descrição: