Made available in DSpace on 2016-04-29T14:23:48Z (GMT). No. of bitstreams: 1
Paulo Kuester Neto.pdf: 1284476 bytes, checksum: 99c3eadc17da7f6d51803dba0833899f (MD5)
Previous issue date: 2009-04-24 / This project is part of the research line Collective Intelligence and Interactive
Environments and aims to investigate modes of pattern recognition and classification
in three-dimensional images using artificial neural networks.
To achieve this, three-dimensional images will be submitted to a connection is
system based on Artificial Neural Networks according to a back propagation algorithm
used as the basis for training, in order to obtain patterns that are common among
these images.
This work aims to contribute to image analysis so that it can be applied to
research, from forest mapping and virtual worlds construction to prognostics and/or
diagnoses in health-related areas, in which, due to variances and imperfections in
images that are said to be similar, it is not possible to use simple algorithms that
recognize similarities between them.
In light of the theoretical presuppositions discussed in chapter 2 and to the
state-of-the-art approached in chapter 3, the characteristics, organization modes,
learning algorithms and free parameters of this neural model that best adapt to the
nature of the research are defined.
The work must involve a simulation environment, the framework for neural
models experimentation and results verification, chosen according to characteristics
like reliability, viability and adequacy to hardware conditions and limitations. In
addition, the environment must be capable of dealing with the research object, that
is, the analysis and classification of three-dimensional forms and their recognition
through adjustments to the parameters of the neural model.
The research to be carried out was divided into two phases: the first one is
network training, in which some images are arbitrarily chosen from an image base.
These images share common characteristics that must be recognized to make
adjustments to the Neural Network.
In the second phase, after the stage of tests and training, the network must be
capable of dealing with the rest of the selected image base. The system must also
effectively deal with exceptions and variation in some characteristics, such as light,
positioning and color.
The challenge is making the neural network training be as generic as possible,
so it can deal with these variations, offering a degree of reliability without substantial
decrease in effectiveness / Este projeto se insere na linha de pesquisa Inteligência Coletiva e Ambientes
Interativos, visando investigar os modos de reconhecimento e classificação de
padrões em imagens tridimensionais utilizando Redes Neurais Artificiais.
Para tanto, pretende-se submeter imagens tridimensionais a um sistema
conexionista baseado em Redes Neurais Artificiais de acordo com um algoritmo de
retro-propagação (backpropagation) como base para treinamento, buscando-se
obter padrões comuns entre essas imagens.
Este trabalho objetiva contribuir com a análise de imagens para aplicação em
pesquisa, desde mapeamento florestal, construção de mundos virtuais até
prognósticos e/ou diagnóstico em áreas relacionadas à saúde, em que, devido a
variâncias e imperfeições em imagens ditas similares, não se aplicam a utilização de
algoritmos simples que reconheçam semelhanças entre elas.
De acordo com os pressupostos teóricos discutidos no capítulo 2 e o estado
da arte no capítulo 3, definem-se características, modos de organização, algoritmos
de aprendizagem e parâmetros livres desse modelo neural que melhor se adaptam a
natureza da pesquisa.
O trabalho deve envolver um ambiente de simulação, framework para
experimentação dos modelos neurais e verificação de resultados, escolhido de
acordo com características como confiabilidade, viabilidade e adequação as
condições e limitações de hardware. O ambiente deve ser capaz de lidar ainda com
o objeto de pesquisa, ou seja, a análise e a classificação de formas tridimensionais e
seu reconhecimento através de ajustes nos parâmetros do modelo neural.
A pesquisa a ser realizada foi dividida em duas fases, a primeira, de
treinamento da rede, escolhendo arbitrariamente, a partir de um banco de imagens,
algumas que compartilhem características comuns que devem ser reconhecidas
para ajustes da Rede Neural.
Na segunda fase, posterior a etapa de testes e treinamento, a rede deve ser
capaz de lidar com o restante do banco de imagens selecionado. O sistema deve
ainda ser efetivo ao lidar com exceções e variação em algumas características como
luminosidade, posicionamento e cor.
O desafio é tornar o treinamento da Rede Neural o mais genérico possível a
fim de lidar com essas variações, oferecendo um grau de confiabilidade sem
degradação substancial de efetividade
| Identifer | oai:union.ndltd.org:IBICT/oai:leto:handle/18230 |
| Date | 24 April 2009 |
| Creators | Kuester Neto, Paulo |
| Contributors | Giorno, Fernando Antonio de Castro |
| Publisher | Pontifícia Universidade Católica de São Paulo, Programa de Estudos Pós-Graduados em Tecnologia da Inteligência e Design Digital, PUC-SP, BR, Mídias Digitais |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Biblioteca Digital de Teses e Dissertações da PUC_SP, instname:Pontifícia Universidade Católica de São Paulo, instacron:PUC_SP |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds