EVENTO
ORDENANDO ESPAÇOS DE CARACTERÍSTICAS EM PROBLEMAS MULTICLASSE ATRAVÉS DE TÉCNICAS DE ENSEMBLE PARA CLASSIFICAÇÃO DE BANCO DE IMAGENS
Tipo de evento: Exame de Qualificação
A área de reconhecimento de padrões e analise de bancos de imagens requer manipulação de uma grande quantidade de dados representados originalmente em espaços de dimensão elevada. Além disto, a representação original dos dados, em geral, implica em redundância, estando também sujeita a artefatos. Assim, necessita-se computar um espaço de características mais apropriado, diminuindo tanto a dimensão como as redundâncias da representação. Uma vez computadas as características a partir do conjunto de dados, existe a necessidade de determinar quais são mais discriminantes para tarefas em reconhecimento de padrões, como por exemplo para classificação. Técnicas de analises discriminantes, que na literatura são conhecidas como funções discriminantes, buscam resolver este tipo de problema. O presente trabalho tem como foco desenvolver metodologias de analise discriminante para problemas multiclasse, de modo a combinar N classificadores para formar uma função discriminante global, que permita ordenar as componentes do espaço de acordo com a importância de cada características para o problema de classificação. Para atingir este objetivo, faremos uso inicialmente de técnicas de classificação lineares, e metodologias de ensemble como AdaBoost e Bagging. Em trabalhos recentes fazendo uso da metodologia AdaBoost.M2, mostramos ser promissor o uso de técnicas de ensemble para obter um discriminante multi classe global. Em seguida, serão explorados métodos do tipo kernel, bem como espaços indexados com informação a priori e espaços multilineares referentes a técnica tensorias. Em termos de aplicação para validação das metodologia proposta, nossos focos serão imagens de faces humanas e imagens de texturas obtidas por fotos de granitos. Em particular, no caso de imagens de faces humanas, fica evidente a existência de considerável nível de redundância oriundo da própria anatomia (boca, nariz, orelhas, olhos, ). Dentre as técnicas lineares existente para extração de características e redução de dimensionalidade para imagens de faces, a mais tradicional é a análise de componentes principais (Principal Component Analysis - PCA). Neste caso, a metodologia proposta busca gerar uma versão multiclasse de uma técnica conhecida na literatura como análise discriminante de componentes principais (Discriminant Principal Component Analysis DPCA), a qual foi originalmente proposta para problemas binários. Para imagens de texturas, nossa proposta será utilizar vetores de características formados por matrizes de co-ocorrência e descritores de Haralick, aproveitando resultados recentes publicados na literatura em analise de textura. Pretendemos também explorar outros espaços gerados por técnicas de momentos e wavelets, bem como análise multi-escala e multi-resolução.
Data Início: 28/11/2016 Hora: 13:30 Data Fim: 28/11/2016 Hora: 15:30
Local: LNCC - Laboratório Nacional de Computação Ciêntifica - Auditorio B
Aluno: Tiene Andre Filisbino - LNCC - LNCC
Orientador: Gilson Antônio Giraldi - Laboratório Nacional de Computação Científica - LNCC
Participante Banca Examinadora: Artur Ziviani - Laboratório Nacional de Computação Científica - LNCC Aura Conci - Universidade Federal Fluminense - UFF/IC Fabio André Machado Porto - Laboratório Nacional de Computação Científica - LNCC
