Spelling suggestions: "subject:"resilient apropagation"" "subject:"resilient depropagation""
1 |
Segmentação de imagens utilizando combinação de modelos de misturas GaussianasSilva, Styve Stallone da 28 February 2014 (has links)
Submitted by Luiz Felipe Barbosa (luiz.fbabreu2@ufpe.br) on 2015-03-10T19:06:02Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
DISSERTAÇÃO Styve Stallone da Silva.pdf: 3737470 bytes, checksum: 8b378e7a672e171ffc58dd1435b637ec (MD5) / Approved for entry into archive by Daniella Sodre (daniella.sodre@ufpe.br) on 2015-03-10T19:43:01Z (GMT) No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
DISSERTAÇÃO Styve Stallone da Silva.pdf: 3737470 bytes, checksum: 8b378e7a672e171ffc58dd1435b637ec (MD5) / Made available in DSpace on 2015-03-10T19:43:01Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
DISSERTAÇÃO Styve Stallone da Silva.pdf: 3737470 bytes, checksum: 8b378e7a672e171ffc58dd1435b637ec (MD5)
Previous issue date: 2014-02-28 / A segmentação de imagens tem por objetivo separar os objetos de interesse de
determinado estudo em uma imagem. A segmentação da imagem deve parar quando os
objetos procurados tiverem sido isolados. Por exemplo, na segmentação de uma imagem
de transito, onde se deseja identificar as placas dos carros, é necessário segmentar a
imagem separando todos os carros do restante da imagem, e ainda separar as placas dos
carros para realizar o processo de identificação de cada placa. O processo de
segmentação de imagens tem grande importância na análise e descrição de imagens,
pois essa divisão, realizada na imagem, é responsável pelo sucesso de outras técnicas
como detecção de pessoas e reconhecimento de faces.
Atualmente, métodos de segmentação do campo de jogo em vídeos de futebol têm
sido bastante explorados. O interesse em analisar e classificar eventos em vídeos, além
das dificuldades atreladas às variações de clima e iluminação que se refletem na
segmentação de campo, tem gerado grande interesse em desenvolver métodos que
consigam realizar a segmentação mesmo com os problemas anteriormente citados.
A segmentação do campo é o passo fundamental para a análise de diversos tipos de
eventos em um vídeo de jogo de futebol, que podem ser detectados e classificados
automaticamente, como gols, faltas e escanteios. Muitos métodos de segmentação de
campo têm utilizado apenas as características das cores do gramado, porém as
tonalidades dessas cores variam, evidenciando fraquezes desses métodos.
O trabalho apresentado propõe um método de segmentação baseado em combinação
de misturas gaussianas e rede neural, utilizando características de cores e também
características de texturas da imagem. O referido método é composto pelas etapas de
extração de características, agrupamento dos dados, segmentação, classificação e pósprocessamento.
Como métricas de comparação de resultados são utilizadas curvas receiver operating
characteristic (ROC) e taxas de verdadeiros e falsos positivos. Os resultados do modelo
proposto são comparados a modelos gaussianos únicos, algoritmo k-Nearest Neighbor
(k-NN) e ao algoritmo Fuzzy C-means (FCM), apresentando resultado de 94,25% de
acerto para testes com diversas variações climáticas e de iluminação. O resultado foi
superior aos outros algoritmos analisados.
|
2 |
UTILIZAÇÃO DE PROCESSAMENTO DIGITAL DE IMAGENS E REDES NEURAIS ARTIFICIAIS PARA O RECONHECIMENTO DE ÍNDICES DE SEVERIDADE DA FERRUGEM ASIÁTICA DA SOJAMelo, Geisla de Albuquerque 25 May 2015 (has links)
Made available in DSpace on 2017-07-21T14:19:24Z (GMT). No. of bitstreams: 1
Melo, Geisla Albuquerque.pdf: 2986772 bytes, checksum: 02494f1ef68a9df48a1184c0a3e81dce (MD5)
Previous issue date: 2015-05-25 / Coordenação de Aperfeiçoamento de Pessoal de Nível Superior / According to Embrapa (2013), Brazil is the world's second largest soy producer just after the United States. Season after season, the production and planted area in Brazil is growing, however, climatic factors and crop diseases are affecting plantation, preventing further growth, and causing losses to farmers. Asian rust caused by Phakopsora pachyrhizi, is a foliar disease, considered one of the most important diseases at present, because of the potential for loss. Asian rust can be mistaken for other diseases in soybeans, such as Bacterial Blight, a Stain Brown and Bacterial Pustule, due to similar visual appearances. Thus, the present study aimed to develop an application for mobile devices using the Android platform to perform automatic recognition of the Asian soybean rust severity indices to assist in the early diagnosis and therefore assist in decision-making as the management and control of the disease. For this, was used techniques of digital image processing (DIP) and Artificial Neural Networks (ANN). First, around 3.000 soybean leaves were collected in the field, where about 2.000 were harnessed. Then it were separated by severity index, photographed in a controlled environment, and after that were processed in order to eliminate noise and background images. Filtering preprocessing phase consisted of median filter, Gaussian filter processing for gray scale, Canny edge detector, expansion, find and drawcontours, and finally the cut of leaf. After this was extracted color and texture features of the images, which were the average R, G and B Variant also for the three channels R, G and B according angular momentum, entropy, contrast, homogeneity, and finally correlation the severity degree previously known. With these data, the training was performed an ANN through the neural network simulator BrNeural. During training, parameters such as number of severity levels and number of neurons of the hidden layer have changed. After training, was chosen network architecture that gave better results, with 78.86% accuracy for Resilient-propagation algorithm. This network was saved in an object and inserted into the application, ready to be used with new data. Thus, the application takes the soybean leaf picture and filters the acquired image. After this, it extracts the features and commands internally to the trained neural network, which analyzes and reports the severity. Still, it is optionally possible to see a georeferenced map of the property, with the severities identified by small colored squares, each representing a different index. / Segundo a Embrapa (2013), o Brasil é o segundo maior produtor de soja do mundo, atrás apenas nos Estados Unidos. Safra após safra, a produção e a área plantada do Brasil vem crescendo, entretanto, fatores climáticos e doenças da cultura vêm afetando as lavouras, impedindo um crescimento ainda maior, e causando perdas para os agricultores. A ferrugem asiática, causada pelo fungo Phakopsora pachyrhizi, é uma doença foliar, considerada uma das doenças de maior importância na atualidade, devido ao grande potencial de perdas. A ferrugem asiática pode ser confundida com outras doenças na soja, como o Crestamento Bacteriano, a Mancha Parda e a Pústula Bacteriana, devido às aparências visuais semelhantes. Deste modo, O presente estudo teve por objetivo desenvolver um aplicativo para dispositivos móveis que utilizam a plataforma Android, para realizar o reconhecimento automático dos índices de severidade da ferrugem asiática da soja, para auxiliar no diagnóstico precoce e por consequência, auxiliar na tomada de decisão quanto ao manejo e controle da doença. Para isto, foram utilizadas técnicas de Processamento Digital de Imagens (PDI) e Redes Neurais Artificiais (RNA). Primeiramente, foram coletadas aproximadamente 3 mil folhas de soja em campo, onde cerca de 2 mil foram aproveitadas. Então elas foram separadas por índices de severidade, fotografadas em ambiente controlado, e após isto foram processadas com o objetivo de eliminar ruídos e o fundo das imagens. A fase de filtragem do pré-processamento consistiu nos filtros da mediana, filtro Gaussiano, transformação para escala de cinza, detector de bordas Canny, dilatação, find e drawcontours, e por fim o recorte da folha. Após isto, foram extraídas as características de cor e textura das imagens, que foram as médias R, G e B, Variância também para os três canais R, G e B, Segundo Momento Angular, Entropia, Contraste, Homogeneidade, Correlação e por fim, o Grau de Severidade previamente sabido. Com estes dados, foi realizado o treinamento de uma RNA através do simulador de redes neurais BrNeural. Durante o treinamento, parâmetros como quantidade de níveis de severidade e quantidade de neurônios da camada oculta foram alterados. Após o treinamento, foi escolhida a arquitetura de rede que deu melhor resultado, com 78,86% de acerto para o algoritmo Resilient-propagation. Esta rede foi salva em um objeto e inserida no aplicativo, pronta para ser utilizada com dados novos. Assim, o aplicativo tira a foto da folha de soja e faz a filtragem da imagem adquirida. Após isto, extrai as características e manda internamente para a rede neural treinada, que analisa e informa a severidade. Ainda, opcionalmente é possível ver um mapa georreferenciado da propriedade, com as severidades identificadas por pequenos quadrados coloridos, representando cada um, um índice diferente.
|
3 |
The Relative Importance of Input Encoding and Learning Methodology on Protein Secondary Structure PredictionClayton, Arnshea 09 June 2006 (has links)
In this thesis the relative importance of input encoding and learning algorithm on protein secondary structure prediction is explored. A novel input encoding, based on multidimensional scaling applied to a recently published amino acid substitution matrix, is developed and shown to be superior to an arbitrary input encoding. Both decimal valued and binary input encodings are compared. Two neural network learning algorithms, Resilient Propagation and Learning Vector Quantization, which have not previously been applied to the problem of protein secondary structure prediction, are examined. Input encoding is shown to have a greater impact on prediction accuracy than learning methodology with a binary input encoding providing the highest training and test set prediction accuracy.
|
4 |
Genetically modelled Artificial Neural Networks for Optical Character Recognition : An evaluation of chromosome encodingsLindqvist, Emil Gedda & Kalle January 2011 (has links)
Context. Custom solutions to optical character recognition problems are able to reach higher recognition rates then a generic solution by their ability to exploiting the limitations in the problem domain. Such solutions can be generated with genetic algorithms. This thesis evaluates two different chromosome encodings on an optical character recognition problem with a limited problem domain. Objectives. The main objective for this study is to compare two different chromosome encodings used in a genetic algorithm generating neural networks for an optical character recognition problem to evaluate both the impact on the evolution of the network as well as the networks produced. Methods. A systematic literature review was conducted to find genetic chromosome encodings previously used on similar problem. One well documented chromosome encoding was found. We implemented the found hromosome ncoding called binary, as well as a modified version called weighted binary, which intended to reduce the risk of bad mutations. Both chromosome encodings were evaluated on an optical character recognition problem with a limited problem domain. The experiment was run with two different population sizes, ten and fifty. A baseline for what to consider a good solution on the problem was acquired by implementing a template matching classifier on the same dataset. Template matching was chosen since it is used in existing solutions on the same problem. Results. Both encodings were able to reach good results compared to the baseline. The weighted binary encoding was able to reduce the problem with bad mutations which occurred in the binary encoding. However it also had a negative impact on the ability of finding the best networks. The weighted binary encoding was more prone to enbreeding with a small population than the binary encoding. The best network generated using the binary encoding had a 99.65% recognition rate while the best network generated by the weighted binary encoding had a 99.55% recognition rate. Conclusions. We conclude that it is possible to generate many good solutions for an optical character problem with a limited problem domain. Even though it is possible to reduce the risk of bad mutations in a genetic lgorithm generating neural networks used for optical character recognition by designing the chromosome encoding, it may be more harmful than not doing it.
|
Page generated in 0.0969 seconds