Made available in DSpace on 2016-08-29T15:33:11Z (GMT). No. of bitstreams: 1 tese_3337_.pdf: 1201799 bytes, checksum: 1d2df1cae9d307715d08750e6173fe09 (MD5) Previous issue date: 2010-02-26 / Um problema central para a Visão Computacional é o de depth estimation (estimativa de profundidades) isto é, derivar, a partir de uma ou mais imagens de uma cena, um depth map (mapa de profundidades) que determine as distâncias entre o observador e cada ponto das várias superfícies capturadas. Não é surpresa, portanto, que a abordagem de stereo correspondence (correspondência estéreo), tradicionalmente usada nesse problema, seja um dos tópicos mais intensamente investigados do campo. Sistemas de correspondência estimam profundidades a partir de características binoculares do par estéreo mais especificamente, a diferença de posição de cada ponto entre as imagens de um par. Além dessa informação puramente geométrica, imagens contém uma série de características monoculares tais como variações e gradientes de textura, variações de foco, padrões de cores e reflexão, etc que podem ser exploradas para derivar estimativas de profundidade. Para isso, entretanto, é preciso acumular uma certa quantidade de conhecimento a priori, uma vez que há uma ambiguidade intrínseca entre as características de uma imagem e variações de profundidade. Através de suas pesquisas com sistemas de aprendizado de máquina baseados em Markov Random Fields (MRFs), Ashutosh Saxena demonstrou ser possível estimar mapas de profundidades com grande precisão a partir de imagens monoculares estáticas. Sua abordagem, entretanto, carece de plausibilidade biológica, visto que não há correspondência teórica conhecida entre MRFs e as redes neurais do cérebro humano. Motivados por sucessos anteriores na aplicação de Weightless Neural Networks (Redes Neurais Sem Peso, ou RNSP's) a problemas de visão computacional, neste trabalho objetivamos investigar a efetividade da aplicação de RNSPs ao problema de estimar mapas de profunidades. Com isso, esperamos alcançar uma melhoria em relação ao sistema baseado em MRFs de Saxena, além de desenvolver uma arquitetura mais útil para a avaliação de hipóteses sobre o processamento de informações visuais no córtex humano.

Made available in DSpace on 2014-06-12T15:58:49Z (GMT). No. of bitstreams: 2 arquivo4719_1.pdf: 676732 bytes, checksum: 49d0c3f980e3fb50bb7e6c70f248211d (MD5) license.txt: 1748 bytes, checksum: 8a4605be74aa9ea9d79846c1fba20a33 (MD5) Previous issue date: 2003 / Nas Redes Neurais Sem Peso (RNSP), o padrão de conectividade dos nós desempenha um papel fundamental, pois é diretamente responsável pela performance da rede, determinando o custo computacional, a eficiência, a velocidade, a tolerância a falhas e ruídos e a capacidade de generalização. Porém, apesar de sua importância, de um modo geral, o padrão de conectividade é escolhido empiricamente, por meio de um método manual de tentativas e erros ou com a ajuda de um especialista, o que nem sempre é viável. Por outro lado, essa escolha do melhor padrão de conectividade pode ser visto como um problema de otimização, no qual cada rede é um ponto no espaço de soluções possíveis. Portanto, vários métodos de otimização, principalmente os métodos globais de otimização, têm sido propostos para automatização da geração do padrão de conectividade. Esses métodos fazem busca no espaço global, evitando cair em soluções de mínimos locais. Nesse contexto, uma das principais contribuições desta dissertação é um estudo experimental sobre o uso de métodos de otimização global, tais como Algoritmos Genéticos, Simulated Annealing e Tabu Search, aplicados à escolha do padrão de conectividade das RNSPs. Os resultados obtidos com esses métodos, junto com aqueles baseados na escolha empírica, são avaliados no contexto de um problema de classificação de caracteres numéricos manuscritos, em que testes de hipótese são aplicados. Por exemplo, o uso de Tabu Search conseguiu diminuir em 17,27% o erro médio de classificação obtido inicialmente com o método de escolha empírica. Em outro experimento, o uso de algoritmos genéticos conseguiu diminuir em 89% o uso de memória alocada, com erros médios de classificação menores que os obtidos inicialmente, pelo método baseado na escolha empírica