Orientador: Siome Klein Goldenstein / Dissertação (mestrado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-17T03:15:16Z (GMT). No. of bitstreams: 1 Costa_GlauberdeOliveira_M.pdf: 17659239 bytes, checksum: 5e50f48bdc78f7e7a59d4904e9e05b76 (MD5) Previous issue date: 2010 / Resumo: Com o crescimento das bases de imagem digitais, motivado principalmente pela popularização da World Wide Web, bem como a massificação de dispositivos de captura digital de imagens, o processamento e extração de informações semânticas destas imagens cresce em importância. A informação encerrada nestas imagens não tem significado semântico imediato, sendo necessário o uso de técnicas para capturá-la. A abordagem trivial, que envolve a anotação das imagens por humanos se torna falha à medida que o tamanho das bases cresce, sendo necessário voltar-se para métodos mais sofisticados. Esta dissertação estudou a aplicação do método Latent Dirichlet Allocation em bases de imagens digitais, verificando a performance do algoritmo utilizando quatro métodos distintos de criação de dicionários visuais. Este trabalho mostrou que a combinação de diferentes descritores capturando aspectos distintos das imagens, para a construção de classificadores pelo método Latent Dirichlet Allocation é capaz de obter taxas de acerto médias na faixa de 90%, ainda que cada classificador individualmente não tenha desempenho muito superior à chance. Ainda, os experimentos realizados demonstraram que a influência do tamanho do dicionário e número de tópicos não é significativa, sendo possível construir classificadores com poucos tópicos latentes a partir de poucas palavras visuais, e portanto, eficientes. / Abstract: With the growth of digital image databases, mainly motivated by the spread of the World Wide Web and digital capture devices, processing and extraction of semantic information from these images gain importance. The information contained within these images have no immediate semantic meaning and techniques must be used in order to acquire it. The trivial approach, which involves the manual annotation of the images by humans, becomes flawed as the size of the database grows. Using a more sophisticated method is needed. This work studied applications of the Latent Dirichlet Allocation method for digital image databases, verifying the algorithm's performance using four different methods of codewords dictionary generation. It shows that a combination of different descriptors capturing different aspects of the images, aiming at the construction of Latent Dirichlet Allocation -based classifiers, is capable of achieving hit ratios around 90%, even if each of the individual classifiers isn't largely superior to chance. Yet, experiments performed during this work demonstrated that the influence of the codewords dictionary size and the number of topics in the model are not significant, making the construction of small-sized, and thus, efficient classifiers possible. / Mestrado / Visão Computacional / Mestre em Ciência da Computação

Orientadores: Ricardo da Silva Torres, Anderson Rocha / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-24T22:15:52Z (GMT). No. of bitstreams: 1 Faria_FabioAugusto_D.pdf: 5657546 bytes, checksum: 5b95fa0f8a5653e7b13d8895cde208f1 (MD5) Previous issue date: 2014 / Resumo: O crescente aumento de dados visuais, seja pelo uso de inúmeras câmeras de vídeo monitoramento disponíveis ou pela popularização de dispositivos móveis que permitem pessoas criar, editar e compartilhar suas próprias imagens/vídeos, tem contribuído enormemente para a chamada ''big data revolution". Esta grande quantidade de dados visuais dá origem a uma caixa de Pandora de novos problemas de classificação visuais nunca antes imaginados. Tarefas de classificação de imagens e vídeos foram inseridos em diferentes e complexas aplicações e o uso de soluções baseadas em aprendizagem de máquina tornou-se mais popular para diversas aplicações. Entretanto, por outro lado, não existe uma ''bala de prata" que resolva todos os problemas, ou seja, não é possível caracterizar todas as imagens de diferentes domínios com o mesmo método de descrição e nem utilizar o mesmo método de aprendizagem para alcançar bons resultados em qualquer tipo de aplicação. Nesta tese, propomos um arcabouço para seleção e fusão de classificadores. Nosso método busca combinar métodos de caracterização de imagem e aprendizagem por meio de uma abordagem meta-aprendizagem que avalia quais métodos contribuem melhor para solução de um determinado problema. O arcabouço utiliza três diferentes estratégias de seleção de classificadores para apontar o menos correlacionados e eficazes, por meio de análises de medidas de diversidade. Os experimentos mostram que as abordagens propostas produzem resultados comparáveis aos famosos métodos da literatura para diferentes aplicações, utilizando menos classificadores e não sofrendo com problemas que afetam outras técnicas como a maldição da dimensionalidade e normalização. Além disso, a nossa abordagem é capaz de alcançar resultados eficazes de classificação usando conjuntos de treinamento muito reduzidos / Abstract: The frequent growth of visual data, either by countless available monitoring video cameras or the popularization of mobile devices that allow each person to create, edit, and share their own images and videos have contributed enormously to the so called ''big-data revolution''. This shear amount of visual data gives rise to a Pandora box of new visual classification problems never imagined before. Image and video classification tasks have been inserted in different and complex applications and the use of machine learning-based solutions has become the most popular approach to several applications. Notwithstanding, there is no silver bullet that solves all the problems, i.e., it is not possible to characterize all images of different domains with the same description method nor is it possible to use the same learning method to achieve good results in any kind of application. In this thesis, we aim at proposing a framework for classifier selection and fusion. Our method seeks to combine image characterization and learning methods by means of a meta-learning approach responsible for assessing which methods contribute more towards the solution of a given problem. The framework uses three different strategies of classifier selection which pinpoints the less correlated, yet effective, classifiers through a series of diversity measure analysis. The experiments show that the proposed approaches yield comparable results to well-known algorithms from the literature on many different applications but using less learning and description methods as well as not incurring in the curse of dimensionality and normalization problems common to some fusion techniques. Furthermore, our approach is able to achieve effective classification results using very reduced training sets / Doutorado / Ciência da Computação / Doutor em Ciência da Computação

Orientadores: Bárbara Janet Teruel Mederos, Neucimar Jerônimo Leite / Tese (doutorado) - Universidade Estadual de Campinas, Faculdade de Engenharia Agrícola / Made available in DSpace on 2018-08-27T18:36:30Z (GMT). No. of bitstreams: 1 Santiago_WesleyEsdrar_D.pdf: 3166190 bytes, checksum: 2b92c9e10c657873f3a49bbd80582db3 (MD5) Previous issue date: 2015 / Resumo: O aumento da produção sem causar danos ao meio ambiente é um dos maiores desafios da agricultura moderna. Na produção de cana-de-açúcar, isso se torna mais nítido quando se trata do manejo de plantas daninhas, uma vez que o uso de herbicidas configura-se como a técnica mais adotada. Plantas daninhas causam interferência na produção agrícola, provocando redução na qualidade do produto e na produtividade da lavoura. Portanto, a identificação da espécie infestante, bem como o nível de infestação torna-se de grande importância para que estratégias adequadas de manejo possam ser definidas. Este trabalho foi realizado visando desenvolver e avaliar o desempenho de um sistema de processamento de imagens RGB, para identificar plantas daninhas na cultura de cana-de-açúcar e estimar a área de solo coberta por elas, uma vez que a existência de uma ferramenta computacional para reconhecimento de espécies de plantas é de grande auxílio para a tomada de decisão acerca do manejo de comunidades infestantes. A abordagem adotada para identificar plantas daninhas e cultura, baseou-se na metodologia do dicionário de palavras. Nesta metodologia, pontos invariantes e característicos de várias imagens são usados para criar um dicionário de características, o dicionário é usado depois para averiguar quais palavras dele estão presentes nas imagens a serem processadas. A quantização do número de palavras do dicionário presentes na imagem foi realizada através de uma função densidade de probabilidade e o modelo matemático de classificação foi construído por meio de máquinas de vetores de suporte. Considerando as seguintes medidas de desempenho: exatidão global e coeficiente de Kappa, o sistema desenvolvido processou 435 imagens RGB, as quais foram obtidas de três cultivos experimentais contendo plantas de cana-de-açúcar, milho e seis espécies de plantas daninhas (Urochloa plantaginea, Urochloa decumbens, Panicum maximum, Euphorbia heterophylla, Ipomoea hederifolia e Ipomoea quamoclit). Os resultados obtidos demonstram que a metodologia possui alto poder para identificar e discriminar plantas daninhas e cultura, alcançando exatidão global e coeficiente Kappa de até 94% e 0,94, respectivamente. Estes resultados suportam a premissa de que um sistema de processamento de imagens é capaz de identificar plantas daninhas na cultura de cana-de-açúcar, estimar o nível de infestação e ainda servir como ferramenta para auxílio à tomada de decisão quanto ao manejo das espécies infestantes / Abstract: The increase in production without causing damage to the environment is one of the biggest challenges of modern agriculture. In the production of sugarcane, this becomes clearer when it comes to the weed management, since the use of herbicides to configure most widely adopted technique. Weeds cause interference in agricultural production, causing reduction in product quality and crop yields. Therefore, the identification of weed species and the level of infestation becomes very important so that appropriate management strategies can be defined. This study sought to develop and evaluate the performance of an image processing system to identify weeds in sugarcane and estimate their level of infestation, since the existence of a computer tool to recognize plants species should give a great support to decision-making about the management of weed communities. The approach taken to identify weeds and crop plants was based on the methodology of bag-of-words. On this methodology, invariant feature points and multiple images are used to create a dictionary of features, the dictionary is then used to ascertain what his words are present the images to be processed, the quantization of the number of words in the dictionary is present in the image made by a probability density function and the mathematical model of rank was made by support vector machine. Considering the performance measures: overall accuracy and Kappa coefficient, the developed system has processed 435 RGB images, what were obtained from three experimental cultives having plants of sugarcane, corn and six weed species (Urochloa plantaginea, Urochloa decumbens, Panicum maximum, Euphorbia heterophylla, Ipomoea hederifolia and Ipomoea quamoclit). The results show that the method has high power to identify and discriminate weed and crop, reaching overall accuracy and Kappa coefficient of up to 94% and 0.94, respectively. These results give support to premise that an image processing system is capable to identify weeds in sugarcane, estimate the infestation level and to be yet a tool for support the decision-making about the management from the weed species / Doutorado / Maquinas Agricolas / Doutor em Engenharia Agrícola

Orientador: Siome Klein Goldenstein / Tese (doutorado) - Universidade Estadual de Campinas, Instituto da Computação / Made available in DSpace on 2018-08-12T17:37:15Z (GMT). No. of bitstreams: 1 Rocha_AndersondeRezende_D.pdf: 10303487 bytes, checksum: 243dccfe5255c828ce7ead27c27eb1cd (MD5) Previous issue date: 2009 / Resumo: Neste trabalho de doutorado, propomos a utilizaçãoo de classificadores e técnicas de aprendizado de maquina para extrair informações relevantes de um conjunto de dados (e.g., imagens) para solução de alguns problemas em Processamento de Imagens e Visão Computacional. Os problemas de nosso interesse são: categorização de imagens em duas ou mais classes, detecçãao de mensagens escondidas, distinção entre imagens digitalmente adulteradas e imagens naturais, autenticação, multi-classificação, entre outros. Inicialmente, apresentamos uma revisão comparativa e crítica do estado da arte em análise forense de imagens e detecção de mensagens escondidas em imagens. Nosso objetivo é mostrar as potencialidades das técnicas existentes e, mais importante, apontar suas limitações. Com esse estudo, mostramos que boa parte dos problemas nessa área apontam para dois pontos em comum: a seleção de características e as técnicas de aprendizado a serem utilizadas. Nesse estudo, também discutimos questões legais associadas a análise forense de imagens como, por exemplo, o uso de fotografias digitais por criminosos. Em seguida, introduzimos uma técnica para análise forense de imagens testada no contexto de detecção de mensagens escondidas e de classificação geral de imagens em categorias como indoors, outdoors, geradas em computador e obras de arte. Ao estudarmos esse problema de multi-classificação, surgem algumas questões: como resolver um problema multi-classe de modo a poder combinar, por exemplo, caracteríisticas de classificação de imagens baseadas em cor, textura, forma e silhueta, sem nos preocuparmos demasiadamente em como normalizar o vetor-comum de caracteristicas gerado? Como utilizar diversos classificadores diferentes, cada um, especializado e melhor configurado para um conjunto de caracteristicas ou classes em confusão? Nesse sentido, apresentamos, uma tecnica para fusão de classificadores e caracteristicas no cenário multi-classe através da combinação de classificadores binários. Nós validamos nossa abordagem numa aplicação real para classificação automática de frutas e legumes. Finalmente, nos deparamos com mais um problema interessante: como tornar a utilização de poderosos classificadores binarios no contexto multi-classe mais eficiente e eficaz? Assim, introduzimos uma tecnica para combinação de classificadores binarios (chamados classificadores base) para a resolução de problemas no contexto geral de multi-classificação. / Abstract: In this work, we propose the use of classifiers and machine learning techniques to extract useful information from data sets (e.g., images) to solve important problems in Image Processing and Computer Vision. We are particularly interested in: two and multi-class image categorization, hidden messages detection, discrimination among natural and forged images, authentication, and multiclassification. To start with, we present a comparative survey of the state-of-the-art in digital image forensics as well as hidden messages detection. Our objective is to show the importance of the existing solutions and discuss their limitations. In this study, we show that most of these techniques strive to solve two common problems in Machine Learning: the feature selection and the classification techniques to be used. Furthermore, we discuss the legal and ethical aspects of image forensics analysis, such as, the use of digital images by criminals. We introduce a technique for image forensics analysis in the context of hidden messages detection and image classification in categories such as indoors, outdoors, computer generated, and art works. From this multi-class classification, we found some important questions: how to solve a multi-class problem in order to combine, for instance, several different features such as color, texture, shape, and silhouette without worrying about the pre-processing and normalization of the combined feature vector? How to take advantage of different classifiers, each one custom tailored to a specific set of classes in confusion? To cope with most of these problems, we present a feature and classifier fusion technique based on combinations of binary classifiers. We validate our solution with a real application for automatic produce classification. Finally, we address another interesting problem: how to combine powerful binary classifiers in the multi-class scenario more effectively? How to boost their efficiency? In this context, we present a solution that boosts the efficiency and effectiveness of multi-class from binary techniques. / Doutorado / Engenharia de Computação / Doutor em Ciência da Computação