Orientador : Prof. Dr. Luiz Eduardo Soares de Oliveira / Co-orientador : Prof. Dr. Paulo Rodrigo Cavalin / Dissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 21/112014 / Inclui referências / Resumo: Classifica¸c˜ao de texturas 'e um problema na 'area de Reconhecimento de Padr˜oes com uma
ampla gama de aplica¸c˜oes. Esse problema 'e geralmente tratado com o uso de descritores
de texturas e modelos de reconhecimento de padr˜oes, tais como M'aquinas de Vetores de
Suporte (SVM) e Regra dos K vizinhos mais pr'oximos (KNN).
O m'etodo cl'assico para endere¸car o problema depende do conhecimento de especialistas
no dom'ýnio para a cria¸c˜ao de extratores de caracter'ýsticas relevantes (discriminantes),
criando-se v'arios descritores de textura, cada um voltado para diferentes cen'arios (por
exemplo, descritores de textura que s˜ao invariantes 'a rota¸c˜ao, ou invariantes ao borramento
da imagem). Uma estrat'egia diferente para o problema 'e utilizar algoritmos para
aprender os descritores de textura, ao inv'es de constru'ý-los manualmente. Esse 'e um dos
objetivos centrais de modelos de Arquitetura Profunda – modelos compostos por m'ultiplas
camadas, que tem recebido grande aten¸c˜ao nos 'ultimos anos. Um desses m'etodos, chamado
de Rede Neural Convolucional, tem sido utilizado para atingir o estado da arte em
v'arios problemas de vis˜ao computacional como, por exemplo, no problema de reconhecimento
de objetos. Entretanto, esses m'etodos ainda n˜ao s˜ao amplamente explorados para
o problema de classifica¸c˜ao de texturas.
A presente disserta¸c˜ao preenche essa lacuna, propondo um m'etodo para treinar Redes
Neurais Convolucionais para problemas de classifica¸c˜ao de textura, lidando com os desafios
e tomando em considera¸c˜ao as caracter'ýsticas particulares desse tipo de problema. O
m'etodo proposto foi testado em seis bases de dados de texturas, cada uma apresentando
um desafio diferente, e resultados pr'oximos ao estado da arte foram observados para a
maioria das bases, obtendo-se resultados superiores em duas das seis bases de dados.
Por fim, 'e apresentado um m'etodo para transferˆencia de conhecimento entre diferentes
problemas de classifica¸c˜ao de texturas, usando Redes Neurais Convolucionais. Os
experimentos conduzidos demonstraram que essa t'ecnica pode melhorar o desempenho
dos classificadores em problemas de textura com bases de dados pequenas, utilizando o conhecimento aprendido em um problema similar, que possua uma grande base de dados.
Palavras chave: Reconhecimento de padr˜oes; Classifica¸c˜ao de Texturas; Redes Neurais
Convolucionais / Abstract: Texture classification is a Pattern Recognition problem with a wide range of applications.
This task is commonly addressed using texture descriptors designed by domain experts,
and standard pattern recognition models, such as Support Vector Machines (SVM) and
K-Nearest Neighbors (KNN).
The classical method to address the problem relies on expert knowledge to build relevant
(discriminative) feature extractors. Experts are required to create multiple texture
descriptors targeting different scenarios (e.g. features that are invariant to image rotation,
or invariant to blur). A different approach for this problem is to learn the feature
extractors instead of using human knowledge to build them. This is a core idea behind
Deep Learning, a set of models composed by multiple layers that are receiving increased
attention in recent years. One of these methods, Convolutional Neural Networks, has been
used to set the state-of-the-art in many computer vision tasks, such as object recognition,
but are not yet widely explored for the task of texture classification.
The present work address this gap, by proposing a method to train Convolutional
Neural Networks for texture classification tasks, facing the challenges of texture recognition
and taking advantage of particular characteristics of textures. We tested our method
on six texture datasets, each one posing different challenges, and achieved results close to
the state-of-the-art in the majority of the datasets, surpassing the best previous results
in two of the six tasks.
We also present a method to transfer learning across different texture classification
problems using Convolutional Neural Networks. Our experiments demonstrated that
this technique can improve the performance on tasks with small datasets, by leveraging
knowledge learned from tasks with larger datasets.
Keywords: Pattern Recognition; Texture Classification; Convolutional Neural Networks
Identifer | oai:union.ndltd.org:IBICT/oai:dspace.c3sl.ufpr.br:1884/36967 |
Date | January 2014 |
Creators | Hafemann, Luiz Gustavo |
Contributors | Oliveira, Luiz Eduardo Soares de, 1971-, Cavalin,Paulo Rodrigo, Universidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática |
Source Sets | IBICT Brazilian ETDs |
Language | Inglês |
Detected Language | English |
Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
Format | 76f. : il., tabs., color., application/pdf |
Source | reponame:Repositório Institucional da UFPR, instname:Universidade Federal do Paraná, instacron:UFPR |
Rights | info:eu-repo/semantics/openAccess |
Relation | Disponível em formato digital |
Page generated in 0.0109 seconds