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.

Nesta tese propomos o Full Bayesian Significance Test (FBST), apresentado por Pereira e Stern em 1999, para análise de modelos de misturas de normais multivariadas. Estendemos o conceito de modelos de misturas para explorar outro problema clássico em Estatística, o problema de modelos separados. Nas duas propostas, realizamos experimentos numéricos inspirados em problemas biológicos importantes: o problema de classificação não supervisionada de genes baseada em seus níveis de expressão, e o problema da discriminação entre os modelos Weibull e Gompertz - distribuições clássicas em análise de sobrevivência. / In this thesis we propose the Full Bayesian Significance Test (FBST) as a tool for multivariate normal mixture models. We extend the fundamental mixture concepts to another important problem in Statistics, the problem of separate models. In both methods, we perform numerical experiments based on important biological problems: the unsupervised classification of genes based on their expression profiles, and the problem of deciding between the Weibull and Gompertz models - two classical distributions widely used in survival analysis.

Nesta tese propomos o Full Bayesian Significance Test (FBST), apresentado por Pereira e Stern em 1999, para análise de modelos de misturas de normais multivariadas. Estendemos o conceito de modelos de misturas para explorar outro problema clássico em Estatística, o problema de modelos separados. Nas duas propostas, realizamos experimentos numéricos inspirados em problemas biológicos importantes: o problema de classificação não supervisionada de genes baseada em seus níveis de expressão, e o problema da discriminação entre os modelos Weibull e Gompertz - distribuições clássicas em análise de sobrevivência. / In this thesis we propose the Full Bayesian Significance Test (FBST) as a tool for multivariate normal mixture models. We extend the fundamental mixture concepts to another important problem in Statistics, the problem of separate models. In both methods, we perform numerical experiments based on important biological problems: the unsupervised classification of genes based on their expression profiles, and the problem of deciding between the Weibull and Gompertz models - two classical distributions widely used in survival analysis.

Made available in DSpace on 2016-06-02T20:05:58Z (GMT). No. of bitstreams: 1 DissECMM.pdf: 1660938 bytes, checksum: 066c901ea835b9ef55119d64f6806e4a (MD5) Previous issue date: 2004-03-11 / Universidade Federal de Sao Carlos / O fator de Bayes é uma ferramenta utilizada na seleção de modelos. Neste trabalho fazemos uma revisão abrangente de diversos aspectos do fator de bayes. Também apresentamos as soluções disponíveis atualmente para os problemas relacionados à distribuição a priori imprópria como o fator de Bayes intrínseco e o fator de bayes fracional. São apresentados resultados de simulações com o fator de bayes sendo utilizado na seleção de modelos e uma aplicação a um conjunto de dados reais. Nestas smulações e na aplicação utilizamos o fator de Bayes e o fator de Bayes fracional.

Made available in DSpace on 2016-06-02T20:06:03Z (GMT). No. of bitstreams: 1 2596.pdf: 1631367 bytes, checksum: 90f2d842a935f1dd50bf587a33f6a2cb (MD5) Previous issue date: 2009-02-16 / The clustering techniques have frequently been used in literature to the analyse data in several fields of application. The main objective of this work is to study such techniques. There is a large number of clustering techniques in literature. In this work we concentrate on Self Organizing Map (SOM), k-means, k-medoids and Expectation- Maximization (EM) algorithms. These algorithms are applied to gene expression data. The analisys of gene expression, among other possibilities, identifies which genes are differently expressed in synthesis of proteins associated to normal and sick tissues. The purpose is to do a comparing of these metods, sticking out advantages and disadvantages of such. The metods were tested for simulation and after we apply them to a real data set. / As técnicas de agrupamento (clustering) vêm sendo utilizadas com freqüência na literatura para a solução de vários problemas de aplicações práticas em diversas áreas do conhecimento. O principal objetivo deste trabalho é estudar tais técnicas. Mais especificamente, estudamos os algoritmos Self Organizing Map (SOM), k-means, k-medoids, Expectation-Maximization (EM). Estes algoritmos foram aplicados a dados de expressão gênica. A análise de expressão gênica visa, entre outras possibilidades, a identificação de quais genes estão diferentemente expressos na sintetização de proteínas associados a tecidos normais e doentes. O objetivo deste trabalho é comparar estes métodos no que se refere à eficiência dos mesmos na identificação de grupos de elementos similares, ressaltando vantagens e desvantagens de cada um. Os métodos foram testados por simulação e depois aplicamos as metodologias a um conjunto de dados reais.