A facilidade que temos para reconhecer um rosto, compreender palavras faladas, ler manuscritos, identicar chaves do carro no bolso e decidir se uma maçã está madura pelo seu cheiro, desmentem os processos complexos que estão por trás desses atos de reconhecer estes padrões. Estes reconhecimentos têm sido cruciais para a nossa sobrevivência, e ao longo das últimas dezenas de milhões de anos desenvolvemos sistemas sosticados para a realização dessas tarefas. O reconhecimento de padrões tem por objetivo realizar a classicação de determinado conjunto de dados em determinadas classes ou grupos, considerando os seus padrões e os das classes, permitindo diversas aplicações, como por exemplo: processamento de documentos, leitores de código de barra; identicação de pessoas, leitores óticos ou de impressão digital; automação industrial, processamento de imagens e aplicações agronômicas, análise de marcadores moleculares e classicação de plantas, tornando-se nos últimos anos, uma técnica de grande importância. Para uma melhor classicação é necessário realizar aprendizados, que podem ser elaborados pelo método supervisionado ou não supervisionado, a m de desenvolver os classicadores, tais como o classicador bayesiano e as redes neurais, que permitem a tomada de decisões. Para vericar a qualidade das classicações devem ser utilizadas medições especícas, como o índice kappa ou a probabilidade de erro geral. Deste modo é essencial a utilização de software para a tomada de decisões, entre eles o R e o WEKA, desenvolvido especicamente para resolução de problemas de reconhecimento de padrões. Com o intuito de solucionar os problemas especícos das áreas de automação e agronomia, foi utilizado o método de aprendizado supervisionado, com classicador bayesiano e para vericar a qualidade das classicações foram utilizados o índice de kappa e a probabilidade de erro geral por meio dos software R e WEKA, para as classicações foram utilizados dados de marcadores moleculares, dados de soja e tipos de embalagens de peças de automóvel. / The facility we have to recognize a face, to understand spoken words, reading manuscripts, identifying car keys in our pocket and deciding whether an apple is ripe by its smell, belie the complex processes that are behind the act to recognize these patterns. These recognitions have been crucial to our survival, and over the past tens of millions of years sophisticated systems were developed to accomplish these tasks. The pattern recognition has aimed to carry out the rating of a given set of data in certain classes or groups, considering their standards and those of their classes, allowing several applications, such as: document processing, bar code readers, identication of people, optical and ngerprint drivers, industrial automation, image processing and agronomic applications, molecular markers analysis and plant\'s classication, which became a technique of great importance in recent years. For a better rating is necessary to perform some studies, which can be formulated by supervised and unsupervised methods, in order to develop classiers, such as the Bayesian classier and neural networks, which enable the decision-making. To check the quality of ratings, specic measurements must be used, such as the kappa index or the general error probability. Thus it is essential to use software to make a decision, including the R and WEKA, developed specically to solve pattern recognition problems. In order to solve problems of specic areas, as automation and agronomy, the supervised learning method with Bayesian classier was used, and to verify the ratings quality, the kappa index and the general error probability were used. Software R and WEKA were used, in order to perform ratings for molecular markers data, soybean data and types of packaging for auto parts.

O milho é uma cultura anual importante para diferentes setores da economia mundial. Sua produção é principalmente utilizada para consumo humano e animal, além de indústrias química e de biocombustíveis. Com o aumento da demanda mundial, há a necessidade de aumento da produtividade com diminuição de custos, tanto econômicos como ambientais. Isso leva a investimentos para maior tecnificação do cultivo, seleção de diferentes cultivares e busca por maior eficiência nutricional. Nesse contexto insere-se este doutorado, o qual propõe metodologia para diagnóstico nutricional precoce em culturas de milho. Para tanto, objetiva-se melhorar um sistema de classificação nutricional por imagem de folhas, analisar a invariância deste diagnóstico a diferentes híbridos de milho e identificar características que permitam uma análise em estágio precoce do ciclo de crescimento. Além disso, os estudos são realizados sobre experimentos de cultivos em ambiente controlado e em ambiente comercial. A análise das imagens é realizada pela extração de características de textura e, consequentemente, resulta no desenvolvimento de metodologias inovadoras nesta área. Especificamente, são propostas duas metodologias na área de descritores fractais e usando transformação local jet. Os resultados da diagnose nutricional demonstram como é promissora a pesquisa, uma vez que obtém-se 98% de acerto na classificação de níveis nutricionais de nitrogênio ou potássio em etapa chave para correção nutricional em um mesmo ciclo da cultura. Outra abordagem proposta, ainda promove a identificação e visualização de sintomas em estágio em que esses sintomas são considerados ocultos, comprovando a eficácia do reconhecimento de padrões de textura. / The maize is an important annual crop for different sectors of the world economy. Its production is mainly used for human and animal consumption as well as chemical and biofuels industry. Because of the increase in world demand, there is the need for increased productivity with lower costs, both economic and ecological. This leads to greater investments in technification of cultivation, selection of different cultivars and research to improve nutritional efficiency. In this context, this PhD research proposes a methodology for early nutritional diagnosis in maize crops. Therefore, it is aimed to improve a nutritional classification system for image of leaves, analysis the invariance of this diagnostic at different maize hybrids and identifying features to provide an analysis at an early stage of the growth cycle. Furthermore, studies are conducted on crops under controlled environment and in a commercial environment. The image analysis is performed by texture feature extracting and, consequently, results in innovative methodologies in this area. Specifically, two methods are proposed in the area of fractal descriptors and using local jet transformation. The results of nutritional diagnosis demonstrate how research is promising, due to the 98% success rate in the classification of nutritional levels of nitrogen or potassium, in a key stage for nutritional correction in the same crop cycle. Another proposed approach promotes the symptoms identification and visualization in a stage where these symptoms are considered hidden, proving the effectiveness of the pattern recognition based on texture features.

Este trabalho apresenta os resultados obtidos com o desenvolvimento de um sistema robusto como uma alternativa de reconhecimento da qualidade de vapor de álcool combustível e do poder calorífico do gás combustível GLP em um nariz eletrônico. Foram implementadas duas metodologias experimentais para a extração de atributos dos padrões de vapor de álcool combustível e de gás GLP. Na primeira abordagem de tratamento dos dados, foram usados um Sistema de Inferência Fuzzy (FIS), e dois algoritmos de treinamento de Redes Neurais Artificiais (RNA) para reconhecer padrões de vapor de álcool combustível: a Backpropagation e Learning Vector Quantization. A segunda abordagem para o tratamento dos dados foi desenvolver um sistema reconhecedor do poder calorífico do gás GLP robusto à perda aleatória de um dos sensores. Foram usados três sistemas. No primeiro foi implementada uma RNA para reconhecer todos os dados que simulavam a falha de um sensor aleatório. O resultado desse sistema foi de 97% de acertos. O segundo implementou sete RNA’s treinadas com subconjuntos dos dados de entrada, tais que seis RNA’s foram treinadas com um sensor diferente com falha; e a sétima RNA foi treinada com dados dos sensores sem falhas. O resultado desse sistema foi de 99% de acertos. O terceiro implementou uma Máquina de Comitê Estática Ensemble constituída de dez RNA’s em paralelo para resolver o problema. O resultado foi de 97% de acertos. As RNA’s tiveram melhores respostas que os FIS. Foram sugeridas algumas formas de implementação em hardware do sistema reconhecedor em sistemas pré-fabricados com DSP’s e micro-controladores. / This work shows the results of a robust system development as an alternative to recognize the quality of an alcohol fuel vapor sample and Liquid Petrol Gas (LPG) heat power in an electric nose. Two experimental methodologies were implemented to extract the features of alcohol fuel vapor and LPG gas patterns. The first approach to process the data used an Fuzzy Inference System (FIS) and two training algorithms of Artificial Neural Networks (ANN) to recognize alcohol fuel vapor patterns: Backpropagation and Learning Vector Quantization. The second approach consists of process data to develop an LPG heat power recognizing system robust to one-random-sensor-loss. Three systems were used. The first implemented an ANN to recognize all data that simulated the failure of a random sensor. This system had 97% of right responses. The second implemented seven ANN’s trained with input data subsets, such that six ANN’s were trained with a different failure sensor, and the seventh ANN was trained with data of all sensors without failure. This system had 99% of right responses. The third implemented an Ensemble Static Learning Machine containing ten parallel RNA’s to solve the problem. The result were 97% of right responses. RNA’s had better results than FIS. Some ways of hardware implementation of the recognizing system were suggested in DSP and micro-controllers pre-built systems.

Submitted by Neusa Fagundes (neusa.fagundes@unioeste.br) on 2017-09-25T14:47:50Z No. of bitstreams: 1 Davi_Rocha2017.pdf: 3573661 bytes, checksum: 8912d0785316cee5fdd46712b6f23d78 (MD5) / Made available in DSpace on 2017-09-25T14:47:50Z (GMT). No. of bitstreams: 1 Davi_Rocha2017.pdf: 3573661 bytes, checksum: 8912d0785316cee5fdd46712b6f23d78 (MD5) Previous issue date: 2016-12-07 / Fundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do Estado do Paraná (FA) / Production and use of high quality seeds are important factors for the soybean farming. Therefore the quality control system in the seed industry must be reliable, accurate and fast. Seed technology research has been striving to develop or improve tests to enable seed quality evaluation. Tetrazolium test, besides evaluating the viability and vigor of the seeds, provides information about the potencial causing agents of quality reduction. Even though not using expensive instruments and reagents, the test requires a well-trained seed analyst, and the test’s accuracy depends on their knowledge about the all involved techniques and procedures, including the subjectivity of the observer. Therefore, the objective of the present research was to develop a computational tool that could minimize the implicit subjectivity in the test, contributing to increase information credibility and ensure the accuracy results. This tool allows, by tetrazolium test images, to identify seeds damage, as well as their location and extension, making the interpretation less subjective. From the feature extraction data in digital images of tetrazolium test, supervised classification algorithms were applied to do segmentation in the images, generating a classified image. The proposed system was tested using a selection of samples to training the classifier model and, from this model, the images classification of the tetrazolium test, to extract information about the seeds damage. The system allowed, in addition to an easier way for damages identification in the tetrazolium test images, the extraction of accurate information on displayed damage and achieve the control of the analyzed samples. The classifier performed the assignment of the predetermined categories efficiently for non-present data training set, with 96.6% of correctly classified instances and Kappa index of 0.95%, making the system a supplementary tool in decision making for the tetrazolium test. / A produção e a utilização de sementes de alta qualidade são fatores de importância para o cultivo da soja. Para isso, o sistema de controle de qualidade na indústria de sementes deve ser confiável, preciso e rápido. A pesquisa em tecnologia de sementes tem se esforçado em desenvolver ou aprimorar testes que possibilitem a avaliação da qualidade das sementes. O teste de tetrazólio, além de avaliar a viabilidade e o vigor de sementes, fornece informações sobre possíveis agentes causadores da redução de sua qualidade. Embora não se utilize de instrumentos e reagentes caros, o teste requer um analista de sementes bem treinado, sendo que a precisão do mesmo depende do conhecimento de todas as técnicas e procedimentos envolvidos, devendo-se considerar a subjetividade do observador. Sendo assim, o objetivo desta pesquisa foi desenvolver uma ferramenta computacional que minimizasse a subjetividade implícita na realização do teste, contribuindo para gerar maior credibilidade nas informações e garantindo precisão nos resultados. Esta ferramenta permite, a partir de imagens do teste de tetrazólio, realizar a identificação dos danos presentes nas sementes, bem como sua localização e sua extensão nos tecidos, tornando a interpretação menos subjetiva. A partir da extração de dados de características das imagens digitais do teste de tetrazólio, foram aplicados algoritmos de classificação supervisionada para realizar a segmentação destas imagens, produzindo uma imagem classificada. O sistema proposto foi testado utilizando a seleção de amostras para treino do modelo classificador e, a partir deste modelo, a classificação das imagens do teste de tetrazólio, para extração de informações sobre os danos verificados nas sementes. O sistema permitiu, além da identificação dos danos nas imagens do teste de tetrazólio de forma facilitada, a extração de informações mais seguras sobre os danos presentes e realizar o controle das amostras analisadas. O classificador realizou a atribuição das classes predeterminadas de forma eficiente para dados não presentes no conjunto de treinamento, com 96,6% de instâncias classificadas corretamente e Índice Kappa de 0,95%, tornando o sistema uma ferramenta suplementar na tomada de decisão para o teste de tetrazólio.

Made available in DSpace on 2016-03-15T19:37:50Z (GMT). No. of bitstreams: 1 Antonio Henrique Mexas.pdf: 5418066 bytes, checksum: b25603c3c927a22f01b86d5fe74feee4 (MD5) Previous issue date: 2014-08-05 / Universidade Presbiteriana Mackenzie / The detection of objects in an image is important for decision making in a remote sensing system. The interest areas in this kind of work are buildings, streets, bridges, airports, ports and parking. The latter will be addressed in this work. The detection of these objects using manual techniques can be laborious and result in detection errors. This paper examines algorithms to the identification and recognition of parking areas paved and marked. To define the processing the best parameters are analised, with the purpose to obtain more accurate results. This work proposes an algorithm composed of recognition of parking areas that uses important variables such as vehicle size, size of parking spaces, image resolution and camera zoom. The experimental results obtained with the proposed method have a higher hit rate than other academic approaches. / A detecção de objetos em uma imagem é uma funcional idade indispensável para a tomada de decisão em um sistema de sensoriamento remoto. As áreas de interesse para detecção nesse tipo de trabalho são edifícios, ruas, pontes, aeroportos, portos e estacionamento. Este último se rá abordado neste trabalho. Utilizar técnicas manuais para detectar tais objetos pode se tornar trabalhoso e ocasionar erros de detecção. O presente trabalho analisa algoritmos referentes à identificação e reconhecimento de áreas pavimentadas e sinalizadas de estacionamento. São investigados os melhores parâmetros para se realizar o processamento, com propósito de atingir maior precisão nos resultados. Propõe-se um algoritmo composto de reconhecimento de áreas de estacionamento, que considera variáveis importantes tais como, tamanho dos veículos, tamanho das vagas de estacionamento, resolução da imagem e zoom da câmera. Os resultados experimentais obtidos com o método proposto apresentam uma maior taxa de acerto do que outras abordagens acadêmicas

Made available in DSpace on 2016-08-17T14:53:21Z (GMT). No. of bitstreams: 1 Peterson.pdf: 1362910 bytes, checksum: 963fec328036941a0790b198cc0d6187 (MD5) Previous issue date: 2012-04-20 / FUNDAÇÃO DE AMPARO À PESQUISA E AO DESENVOLVIMENTO CIENTIFICO E TECNOLÓGICO DO MARANHÃO / Breast cancer is the second most common in the world and which more affects women. In recent years, several Computer Aided Detection/Diagnosis Systems has been developed in order to assist health specialists in the detection and diagnosis of cancer, serving as a second opinion. The aim of this paper is to present a methodology for discrimination and classification of regions extracted from mammograms in mass and non-mass. In this study, Digital Database for Screening Mammography (DDSM) is used. To describe the texture of the region of interest is applied McIntosh Diversity Index, commonly used in ecology. The calculation of this index is proposed in four approaches: through the Histogram, through the Gray Level Co-occurrence Matrix, through the Gray Level Run Length Matrix and through the Gray Level Gap Length Matrix. For the classification of regions in mass and non-mass, is used the supervised classificator Support Vector Machine (SVM). The methodology shows promising results for the classification of masses and non-masses, reaching an accuracy of 93,68%. / O câncer de mama é o segundo tipo de câncer mais frequente no mundo e o que mais acomete as mulheres. Nos últimos anos, vários Sistemas de Detecção e Diagnóstico auxiliados por Computador (Computer Aided Detection/Diagnosis) têm sido desenvolvidos no intuito de auxiliar especialistas da área da saúde na detecção e diagnóstico de câncer, servindo como uma segunda opnião. O objetivo deste trabalho é apresentar uma metodologia de discriminação e classificação de regiões extraídas de mamografias em massa e não massa. Neste estudo, o Digital Database for Screening Mammography (DDSM) é usado. Para descrever a textura da região de interesse é aplicado o Índice de Diversidade de McIntosh, comumente usado em ecologia. O cálculo deste índice é proposto em quatro abordagens: através do Histograma, da Matriz de Co-ocorrência de Níveis de Cinza, da Matriz de Comprimentos de Corrida de Cinza e da Matriz de Comprimentos de Lacuna de Cinza. Para classificação das regiões em massa e não massa, é utilizado o classificador supervisionado Support Vector Machine (SVM). A metodologia apresenta resultados promissores para a classificação de massas e não massas, alcançando uma acurácia de 93,68%.

Este trabalho tem a finalidade de analisar algumas técnicas de processamento do sinal mioelétrico, de forma a possibilitar uma posterior implementação de um circuito, que reconheça este sinal e apresente como saída um sinal de controle a ser utilizado em sistemas de reabilitação. Foram simuladas e avaliadas três técnicas de filtragem para o sinal mioelétrico, a fim de atenuar a interferência dos principais ruídos que corrompem este sinal. As técnicas avaliadas foram: filtragem digital clássica; cancelamento de ruído adaptativo e reconstrução do sinal por meio das componentes obtidas pela transformada wavelet. Também foi implementado e analisado um sistema simplificado de reconhecimento dos padrões para este sinal, realizado por meio de uma rede neural artificial, em que foi aplicado em sua entrada o próprio sinal mioelétrico e não suas características obtidas por processamentos matemáticos. Diante dos resultados obtidos os canceladores de ruído adaptativos apresentaram melhores resultados com relação às outras técnicas de filtragem. Apesar de não ter sido adequada para a filtragem, a transformada wavelet mostrou-se uma poderosa ferramenta de análise de sinais, em virtude da sua característica multiresolução. A técnica utilizada para reconhecer os padrões do sinal mostrou bons resultados com os sinais analisados. / This work has the purpose to analyze some techniques for myoelectric signal processing, towards a subsequent implementation of a circuit which can recognize this signal and present as output a control signal to be used in rehabilitation systems. Simulation and evaluation of three filtering techniques for the myoelectric signal were done in order to attenuate the main interferences of noises which corrupt this signal. The evaluated techniques were: classic digital filtering; adaptive noise cancelling and the signal reconstruction through the obtained components by the wavelet transform. A simplified system of pattern recognition for this signal also was implemented and analyzed, accomplished through an artificial neural network. The myoelectric signal itself was applied to the input instead of its characteristics obtained by mathematical processing. According to the results obtained the adaptive noise cancelling presented better results in comparison to the other filtering techniques. Despite not being adequate for filtering, the wavelet transform proved to be a powerful tool for signal analysis, by virtue of its multiresolution characteristics. The technique used to recognize the signal patterns has shown good results with the analyzed signals.

Submitted by Renata Lopes (renatasil82@gmail.com) on 2016-05-16T12:04:55Z No. of bitstreams: 1 alcindogandhibarretoalmeida.pdf: 12470862 bytes, checksum: 6af9613cce2cfd9264288cf2d6202d15 (MD5) / Approved for entry into archive by Adriana Oliveira (adriana.oliveira@ufjf.edu.br) on 2016-06-27T21:27:55Z (GMT) No. of bitstreams: 1 alcindogandhibarretoalmeida.pdf: 12470862 bytes, checksum: 6af9613cce2cfd9264288cf2d6202d15 (MD5) / Made available in DSpace on 2016-06-27T21:27:55Z (GMT). No. of bitstreams: 1 alcindogandhibarretoalmeida.pdf: 12470862 bytes, checksum: 6af9613cce2cfd9264288cf2d6202d15 (MD5) Previous issue date: 2015-04-24 / A divergência entre o parque de iluminação pública em funcionamento e o cadastro informado pelos municípios às concessionárias de energia elétrica pode resultar numa das parcelas das chamadas perdas comerciais. O procedimento usual adotado para minimizar esse problema consiste no envio de uma equipe de técnicos a campo para a inspeção dos pontos de iluminação. Este trabalho propõe um sistema de identificação automático de lâmpadas de iluminação pública (IP), que permite às concessionárias de energia elétrica elaborar um mapa dos pontos de iluminação dos municípios, estimando o consumo e evitando perdas comerciais. Inicialmente, o trabalho aborda o cenário da iluminação pública no Brasil, incluindo as principais tecnologias usadas em IP e a transferência dos ativos de IP para os municípios. Em seguida, são descritos os principais conceitos radiométricos que caracterizam o sistema de IP. Posteriormente, é apresentada a placa de aquisição de dados construída. Essa placa contém um conjunto de nove sensores radiométricos, que medem a radiação eletromagnética proveniente das lâmpadas. Também são apresentados os projetos do firmware de controle da placa e o software de aquisição de dados. É desenvolvida uma metodologia de medição baseada em sensores de posicionamento para garantir a reprodutibilidade das medidas. Além de descrever todos esses itens, este trabalho apresenta uma estrutura de iluminação pública ajustável, que permitiu o estudo comparativo das técnicas empregadas, e uma metodologia de calibração das placas de aquisição de dados. Por fim, tem-se o sistema de classificação de dados radiométricos, que permite inferir qual lâmpada está sendo medida. É feita uma comparação de diversos tipos de classificadores. Os resultados experimentais obtidos demonstram o bom funcionamento do sistema em diversas condições de operação. / The misinformation between the actual public lighting equipment and those reported by municipalities to the electricity companies may result in a kind of loss mainly referred as commercial loss. The usual adopted procedure to minimize this problem is sending technician teams to the field to do a low effective inspection of the lighting points. This paper proposes an automatic identification system of street lighting lamps, which allows the electricity companies to draw up a map of the lighting points, estimating the consumption and avoiding commercial losses. Initially, the work addresses the scenario of public lighting in Brazil, including the main technologies used in street lighting and the transfer of the assets to municipalities. Then, the main radiometric concepts which characterize the street lighting systems are described. After data acquisition board built is presented. This board contains a set of 9 radiometric sensors which measure the electromagnetic radiation from the lamps. The projects of the firmware and the data acquisition software are also presented. A measurement methodology based on positioning sensors to ensure the reproducibility of the measurements is developed. In addition to describing all of these items, this paper presents an adjustable street lighting structure, which allowed the comparative study of the techniques employed, and a calibration method of data acquisition boards. Finally, the radiometric data classification system is shown, which allows us to infer which lamp is being measured. A comparison of various types of classifiers is made. The experimental results demonstrate the proper functioning of the system in various operating conditions.

Orientador: Peter Sussner / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Matemática Estatística e Computação Científica / Made available in DSpace on 2018-08-25T00:54:31Z (GMT). No. of bitstreams: 1 Esmi_Estevao_D.pdf: 1836434 bytes, checksum: 5c3a2879200ff2c7bb59b21e24a173fc (MD5) Previous issue date: 2014 / Resumo: Muitas das memórias associativas fuzzy (FAMs) da literatura correspondem a redes neurais com uma única camada de pesos que armazenam de forma distributiva as informações das associações desejadas. As principais aplicações deste tipo de mémorias associativas são encontradas em sistemas baseados em regras fuzzy. Nesta tese introduzimos a classe de memórias associativas fuzzy-T (T-FAMs) que, em contraste com estes outros modelos, representam redes neurais fuzzy com duas camadas. Caso particulares de T-FAMs, denominadas S-FAMs (duais) e E-FAMs, são baseadas em medidas de subsethood e equivalência fuzzy. Resultados gerais sobre a capacidade de armazenamento e a capacidade de correção de erro das T-FAMs também foram providenciados. Adicionalmente, introduzimos um algoritmo geral de treinamento para T-FAM cuja convergência é sempre garantida. Apresentamos ainda um algoritmo alternativo para treinamento de uma certa classe de E-FAMs que além de ajustar os seus parâmetros também determina automaticamente a topologia da rede. Finalmente, comparamos as taxas de classificação produzidas pelas T-FAMs com alguns classificadores bem conhecidos em diversos problemas de classificação disponíveis na internet. Além disso, aplicamos com sucesso as T-FAMs em um problema de auto-localização de robô móvel baseado em visão / Abstract: Most fuzzy associative memories in the literature correspond to neural networks with a single layer of weights that distributively contains the information about the associations to be stored. The main applications of these types of associative memory can be found in fuzzy rule-base systems. In contrast, we present in this thesis the class of T-fuzzy associative memories (T-FAMs) that represent fuzzy neural networks with two layers. Particular cases of T-FAMs, called (dual) S-FAMs and E-FAMs, are based on fuzzy subsethood and equivalence measures. We provide theoretical results concerning the storage capability and error correction capability of T-FAMs. Furthermore, we introduce a general training algorithm for T-FAM that is guaranteed to converge in a finite numbers of iterations. We also proposed another alternative training algorithm for a certain type of E-FAM that not only adjusts the parameters of the corresponding network but also automatically determines its topology. We compare the classification rates produced by T-FAMs with that ones of some well-known classifiers in several benchmark classification problems that are available on the internet. Finally, we successful apply T-FAM approach to a problem of vision-based selflocalization in mobile robotics / Doutorado / Matematica Aplicada / Doutor em Matemática Aplicada

Orientadores: Ricardo da Silva Torres, Alexandre Xavier Falcão / Tese (doutorado) - Universidade Estadual de Campinas, Instituto de Computação / Made available in DSpace on 2018-08-23T15:18:27Z (GMT). No. of bitstreams: 1 Santos_JeferssonAlexdos_D.pdf: 18672412 bytes, checksum: 58ac60d8b5342ab705a78d5c82265ab8 (MD5) Previous issue date: 2013 / Resumo: Um grande esforço tem sido feito para desenvolver sistemas de classificação de imagens capazes de criar mapas temáticos de alta qualidade e estabelecer inventários precisos sobre o uso do solo. As peculiaridades das imagens de sensoriamento remoto (ISR), combinados com os desafios tradicionais de classificação de imagens, tornam a classificação de ISRs uma tarefa difícil. Grande parte dos desafios de pesquisa estão relacionados à escala de representação dos dados e, ao mesmo tempo, à dimensão e à representatividade do conjunto de treinamento utilizado. O principal foco desse trabalho está nos problemas relacionados à representação dos dados e à extração de características. O objetivo é desenvolver soluções efetivas para classificação interativa de imagens de sensoriamento remoto. Esse objetivo foi alcançado a partir do desenvolvimento de quatro linhas de pesquisa. A primeira linha de pesquisa está relacionada ao fato de embora descritores de imagens propostos na literatura obterem bons resultados em várias aplicações, muitos deles nunca foram usados para classificação de imagens de sensoriamento remoto. Nessa tese, foram testados doze descritores que codificam propriedades espectrais e sete descritores de textura. Também foi proposta uma metodologia baseada no classificador K-Vizinhos mais Próximos (K-nearest neighbors - KNN) para avaliação de descritores no contexto de classificação. Os descritores Joint Auto-Correlogram (JAC), Color Bitmap, Invariant Steerable Pyramid Decomposition (SID) e Quantized Compound Change Histogram (QCCH), apresentaram os melhores resultados experimentais na identificação de alvos de café e pastagem. A segunda linha de pesquisa se refere ao problema de seleção de escalas de segmentação para classificação de imagens de sensoriamento baseada em objetos. Métodos propostos recentemente exploram características extraídas de objetos segmentados para melhorar a classificação de imagens de alta resolução. Entretanto, definir uma escala de segmentação adequada é uma tarefa desafiadora. Nessa tese, foram propostas duas abordagens de classificação multiescala baseadas no algoritmo Adaboost. A primeira abordagem, Multiscale Classifier (MSC), constrói um classificador forte que combina características extraídas de múltiplas escalas de segmentação. A outra, Hierarchical Multiscale Classifier (HMSC), explora a relação hierárquica das regiões segmentadas para melhorar a eficiência sem reduzir a qualidade da classificação xi quando comparada à abordagem MSC. Os experimentos realizados mostram que é melhor usar múltiplas escalas do que utilizar apenas uma escala de segmentação. A correlação entre os descritores e as escalas de segmentação também é analisada e discutida. A terceira linha de pesquisa trata da seleção de amostras de treinamento e do refinamento dos resultados da classificação utilizando segmentação multiescala. Para isso, foi proposto um método interativo para classificação multiescala de imagens de sensoriamento remoto. Esse método utiliza uma estratégia baseada em aprendizado ativo que permite o refinamento dos resultados de classificação pelo usuário ao longo de interações. Os resultados experimentais mostraram que a combinação de escalas produzem melhores resultados do que a utilização de escalas isoladas em um processo de realimentação de relevância. Além disso, o método interativo obtém bons resultados com poucas interações. O método proposto necessita apenas de uma pequena porção do conjunto de treinamento para construir classificadores tão fortes quanto os gerados por um método supervisionado utilizando todo o conjunto de treinamento disponível. A quarta linha de pesquisa se refere à extração de características de uma hierarquia de regiões para classificação multiescala. Assim, foi proposta uma abordagem que explora as relações existentes entre as regiões da hierarquia. Essa abordagem, chamada BoW-Propagation, utiliza o modelo bag-of-visual-word para propagar características ao longo de múltiplas escalas. Essa ideia foi estendida para propagar descritores globais baseados em histogramas, a abordagem H-Propagation. As abordagens propostas aceleram o processo de extração e obtém bons resultados quando comparadas a descritores globais / Abstract: A huge effort has been made in the development of image classification systems with the objective of creating high-quality thematic maps and to establish precise inventories about land cover use. The peculiarities of Remote Sensing Images (RSIs) combined with the traditional image classification challenges make RSI classification a hard task. Many of the problems are related to the representation scale of the data, and to both the size and the representativeness of used training set. In this work, we addressed four research issues in order to develop effective solutions for interactive classification of remote sensing images. The first research issue concerns the fact that image descriptors proposed in the literature achieve good results in various applications, but many of them have never been used in remote sensing classification tasks. We have tested twelve descriptors that encode spectral/color properties and seven texture descriptors. We have also proposed a methodology based on the K-Nearest Neighbor (KNN) classifier for evaluation of descriptors in classification context. Experiments demonstrate that Joint Auto-Correlogram (JAC), Color Bitmap, Invariant Steerable Pyramid Decomposition (SID), and Quantized Compound Change Histogram (QCCH) yield the best results in coffee and pasture recognition tasks. The second research issue refers to the problem of selecting the scale of segmentation for object-based remote sensing classification. Recently proposed methods exploit features extracted from segmented objects to improve high-resolution image classification. However, the definition of the scale of segmentation is a challenging task. We have proposed two multiscale classification approaches based on boosting of weak classifiers. The first approach, Multiscale Classifier (MSC), builds a strong classifier that combines features extracted from multiple scales of segmentation. The other, Hierarchical Multiscale Classifier (HMSC), exploits the hierarchical topology of segmented regions to improve training efficiency without accuracy loss when compared to the MSC. Experiments show that it is better to use multiple scales than use only one segmentation scale result. We have also analyzed and discussed about the correlation among the used descriptors and the scales of segmentation. The third research issue concerns the selection of training examples and the refinement of classification results through multiscale segmentation. We have proposed an approach for xix interactive multiscale classification of remote sensing images. It is an active learning strategy that allows the classification result refinement by the user along iterations. Experimental results show that the combination of scales produces better results than isolated scales in a relevance feedback process. Furthermore, the interactive method achieves good results with few user interactions. The proposed method needs only a small portion of the training set to build classifiers that are as strong as the ones generated by a supervised method that uses the whole available training set. The fourth research issue refers to the problem of extracting features of a hierarchy of regions for multiscale classification. We have proposed a strategy that exploits the existing relationships among regions in a hierarchy. This approach, called BoW-Propagation, exploits the bag-of-visual-word model to propagate features along multiple scales. We also extend this idea to propagate histogram-based global descriptors, the H-Propagation method. The proposed methods speed up the feature extraction process and yield good results when compared with global low-level extraction approaches / Doutorado / Ciência da Computação / Doutor em Ciência da Computação