Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto
|
|
- Martim Alvarenga
- 4 Há anos
- Visualizações:
Transcrição
1 Aplicação de redes neurais artificiais na classificação de imagens obtidas por sensoriamento remoto Alexandre G. de Lima 1, Adrião Duarte Dória Neto 1, Jailton Carlos de Paiva 1, Vitor Meneghtetti 1, Xiankleber C.Benjamim 1 1 Programa de Pós-Graduação em Engenharia Elétrica e Computação DCA- Universidade Federal do Rio Grande do Norte(UFRN) Caixa Postal Caixa Postal Natal RN Brasil alexandre.lima@ifrn.edu.br,adriao@dca.ufr.br, {jailtoncarlos,vitorugulino,xianklebercb}@gmail.com Abstract: Images obtained by remote sensing are used for various purposes such as measuring and monitoring environmental areas. In this work we use artificial neural networks to perform the classification of satellite images and compared the results with those of a classifier Baysean. Keywords: maximum likelihood classifier, remote sensing, image classification, image processing, environmental monitoring. Resumo: imagens obtidas por sensoriamento remoto são utilizadas com diversas finalidades como a mensuração de áreas e fiscalização ambiental. Neste trabalho utilizamos algumas redes neurais artificiais para realizar a classificação de imagens orbitais e comparamos os resultados obtidos com os de um classificador bayseano. Palavras-chave: classificador de máxima verossimilhança, sensoriamento remoto, classificação de imagens, processamento de imagens, monitoração ambiental. 1. Introdução Dentre as várias aplicações que se beneficiam da segmentação e classificação automática de imagens, destacamos as destinadas ao processamento de imagens obtidas por sensoriamento remoto como monitoramento ambiental, mensuração de plantações, análise geológica e confecção de mapas. Este trabalho tem como objetivo comparar o desempenho das redes neurais artificiais através das redes perceptron, MLP e RBF com o desempenho de um classificador bayseano em uma aplicação de classificação de imagens obtidas por sensoriamento remoto. A seção 2 apresenta a fundamentação teórica da classificação de imagens e de padrões, apresentando de forma breve o classificador bayseano[8] por máxima verossimilhança e as redes neurais artificiais. A seção 3 descreve os elementos da experimentação realizada a imagem utilizada, os padrões de treinamento e as redes neurais utilizadas. Na seção 4 são apresentados e discutidos os resultados obtidos e por fim, na seção 5, o texto é finalizado com as nossas conclusões e descrição de trabalhos futuros. 2. Interpretação e classificação de imagens digitais A análise de imagens, realizada por uma pessoa ou um computador, é um processo de descoberta, identificação e entendimento de padrões que sejam relevantes ao domínio da aplicação em questão [2]. Um padrão é uma descrição quantitativa ou estrutural de
2 um objeto de interesse na imagem, sendo geralmente formado por um ou mais descritores. No contexto de análise de imagens digitais, é comum que cada componente do vetor represente um componente do sistema de cores adotado (e.g. RGB, CMY). A classificação automática de imagens se resume a atribuir os padrões existentes a suas respectivas classes com a mínima intervenção humana possível [2]. Em aplicações de sensoriamento remoto, existem duas grandes categorias de métodos de classificação de imagens: classificação supervisionada e classificação não-supervisionada. Na classificação não-supervisionada os pixels de uma imagem são categorizados sem que o usuário saiba de antemão quais são as classes presentes. Esta metodologia é baseada intensamente em métodos de clustering [1]. Existem vários métodos de classificação supervisionada descritos na literatura, sendo que o mais utilizado na classificação de imagens obtidas por sensoriamento remoto é o método estatístico de máxima verossimilhança [1]. 2.1 Classificador bayseano por máxima verossimilhança Sejam x = [x 1, x 2,..., x n ] T um vetor de padrões n-dimensional e M classes de padrões ω 1, ω 2,..., ω M, o problema básico em reconhecimento de padrões por decisão teórica é encontrar M funções de decisão d 1 (x), d 2 (x),..., d M (x), tal que se x pertencer à classe ω i, então: d i (x) > d j (x) j i. (I) A função de decisão do classificador bayseano por máxima verossimilhança é definida como: ( ) ( ) [( ) ( )] (II) Onde: ( ) - probabilidade de ocorrência da classe ω i. m i - vetor médio da classe ω i. i - matriz de covariância da classe ω i. Quando não há conhecimento sobre a p(ω i ), assume-se que todas as classes possuem a mesma probabilidade de ocorrência. 2.2 Redes Neurais Artificiais As redes neurais artificiais são máquinas computacionais de processamento paralelo cujo modelo é inspirado na estrutura neural do cérebro. Diz-se que as redes neurais artificiais são inteligentes devido à sua capacidade de adquirir conhecimento ao interagir com seu ambiente através de um processo de aprendizagem [3]. Esta é uma característica que faz com que as redes neurais artificiais apresentem algumas vantagens em relação aos classificadores estatísticos tais como não ser necessário assumir distribuições de probabilidade dos dados, a habilidade de generalização em ambientes com ruído e de aprender padrões complexos [5]. Entre os tipos de aplicações passíveis de utilização das redes neurais podemos citar filtragem de sinais, controle adaptativo, regressão não-linear, classificação de padrões e sensoriamento remoto [7]. Rede perceptron
3 O perceptron é a forma mais simples de uma rede neural artificial composta por uma camada de entrada e uma camada de saída, sendo que os neurônios da camada de saída são totalmente conectados com a camada de entrada. Pode ser treinado com o algoritmo do LMS (Least-Mean-Square) também conhecido como regra delta. Por apenas conseguir classificar de forma correta padrões linearmente separáveis, esta rede é de aplicabilidade limitada. Rede MLP A topologia do perceptron de múltiplas camadas (MLP) apresenta uma camada de entrada, uma ou mais camadas ocultas e uma camada de saída. Ao contrário do perceptron de uma única camada, a rede MLP é capaz de separar padrões nãolinearmente separáveis, podendo ser utilizada em aplicações como regressão linear e predição temporal. Rede RBF Diferentemente das redes MLP, as redes de função de base radial (RBF) encaram o aprendizado como um problema de ajuste de curva. Seguindo este raciocínio, aprender significa definir uma superfície capaz de interpolar os dados de teste com um bom nível de precisão [3]. Figura 1 Imagem RGB utilizada. Os retângulos mostram as áreas das quais foram extraídas as amostras de treinamento para a classe vegetação nativa (retângulos azuis) e a classe outras (retângulos verdes). Adaptado de [6] 3. Materiais e métodos A imagem utilizada no experimento (Figura 1) é um recorte da imagem CCD/CBERS-2, órbita 159, ponto 113, bandas 2(B)-3(G)-4(R), gerada no dia 21 de maio de A imagem passou por um tratamento de cores para facilitar o treinamento dos classificadores. A área em questão está localizada no município de Gurupi, região sul do estado do Tocantins [4]. Como foi utilizada uma imagem RGB, cada padrão a ser classificado é um vetor de três componentes, ou seja, um pixel da imagem. Foram utilizados os mesmos padrões
4 no treinamento de todos os classificadores. Estes padrões correspondem aos pixels das áreas dos retângulos verdes (classe outras) e azuis (classe vegetação nativa) presentes na Figura 1, totalizando vetores de treino e 517 vetores de validação. As componentes de todos os vetores foram normalizadas para o intervalo [-1;1]. Para o classificador bayseano não foi adotado um limiar de aceitação. A rede perceptron, composta por um neurônio, foi treinada com o algoritmo do mínimo quadrado médio (LMS) com taxa de aprendizagem igual a 0,2. O treinamento foi encerrado após a rede atingir um percentual de classificação correta mínimo de 95%, o que correspondeu a 13 épocas. Para a rede MLP, cuja topologia foi 3:4:1, adotamos o algoritmo de treinamento backpropagation seqüencial sem termo de momento com taxa de aprendizagem igual a 0,5. O treinamento foi encerrado após a rede atingir um percentual de classificação correta mínimo de 95%, o que correspondeu a 4 épocas. A rede RBF foi utilizada com a topologia 3:5:1. Seus centros foram selecionados de forma aleatória e os pesos da camada de saída foram obtidos através de treinamento com o algoritmo LMS com uma taxa de aprendizagem igual a 0,1. O treinamento foi encerrado após a execução de 1000 épocas. 4. Resultados e discussão A Tabela 1 apresenta os resultados obtidos da classificação realizada com o classificador bayseano (Maxver) e as redes neurais perceptron, MLP e RBF. O percentual de erro foi calculado tomando como referência a classificação obtida pelo classificador bayseano. Na Tabela 2 são apresentados os tempos de treinamento e de classificação da imagem para cada método utilizado. % de classificação % de erro Classificador Vegetação Outros Total Vegetação Outros nativa nativa Maxver 26,42 73,58 100,0 - - Perceptron 32,37 67,63 100,0 +22,52-8,09 MLP 26,42 73,58 100,0 0,0 0,0 RBF 26,25 73,75 100,0-0,64 +0,23 Tabela 1 Resultados da classificação. Os erros foram calculados em relação aos resultados do classificador bayseano (maxver). A Tabela 3 apresenta as matrizes de confusão para cada classificador. Vale destacar o fato de que apesar da matriz de confusão da rede perceptron ter apresentados bons resultados de validação, este classificador não obteve resultados tão bons quanto às redes MLP e RBF na classificação da imagem. A Figura 2 mostra as imagens resultantes do processo de classificação, nas quais a cor verde representa a classe vegetação nativa e a cor azul a classe outros. Tempo (segundos) Classificador Treinamento Classificação Maxver 0,12 10,58
5 Perceptron 0,97 6,92 MLP 0,44 10,84 RBF 35,44 11,36 Tabela 2 - Tempos de execução dos classificadores Classificador bayseano Vegetação nativa Outros Vegetação nativa 1,00 0,00 Outros 0,05 0,95 Rede Perceptron Vegetação nativa 0,98 0,02 Outros 0,05 0,95 Rede MLP Vegetação nativa 1,00 0,00 Outros 0,01 0,99 Rede RBF Vegetação nativa 0,86 0,14 Outros 0,00 1,00 Tabela 3 - Matrizes de confusão dos classificadores utilizados (a) Classificador bayseano (b) Rede perceptron (c) Rede MLP (d) Rede RBF Figura 2 - Imagens resultantes da classificação. A classe vegetação nativa é representada pela cor verde e a classe outros pela cor azul.
6 5. Conclusões Os resultados obtidos mostraram que, na aplicação em questão, as redes MLP e RBF possuem um nível de classificação praticamente idêntico ao do classificador bayseano por máxima verossimilhança. Consequentemente, ambos são adequados para uma aplicação de sensoriamento remoto com o objetivo de mensurar a área de vegetação. No entanto, o tempo de processamento do classificador bayseano faz com que aparentemente esta seja a melhor opção entre os classificadores utilizados. Entre os trabalhos futuros pretendemos ampliar o estudo utilizando métodos de treinamento mais rápidos para a rede MLP, como a utilização dos algoritmos Levenberg-Marquardt e gradiente conjugado, utilizar uma máquina de vetor de suporte para justificar o desempenho da rede perceptron (padrões não-linearmente separáveis ou hiperplanos não-ótimos) e verificar o desempenho dos classificadores em aplicações com mais de duas classes. Referências 1. RICHARDS, John A. e JIA, Xiuping. Remote Sense Digital Image Analysis. Springer, GONZALES, Rafael C. e WOODS, Richard E. Processamento de Imagens Digitais. São Paulo: Edgard Blucher, HAYKIN, Simon. Redes Neurais: princípios e práticas, 2ª ed. Porto Alegre: Bookman, ÉTORE, F. R., POVH, F. P., SABOYA, L. M. F. e VILELA, M. F.. Uso de classificadores para o mapeamento da vegetação nativa do cerrado. XIV Simpósio Brasileiro de Sensoriamento Remoto. Anais. Natal, abril 2009, INPE, p JY, C. I.. Land-Use Classification of Remotely Sensed Data Using Kohonen Self- Organizing Feature Map Neural Networks. Photogrammetric Engineering & Remote Sensing, v. 6, p , INPE. Catálogo de Imagens. Disponível em < Acesso em 24 de janeiro de TODT, Viviane. Avaliação do Desempenho de Classificadores Neurais para Aplicações em Sensoriamento Remoto. Dissertação de mestrado. Porto Alegre: UFRGS, Kuncheva, L. (2004). Combining Pattern Classifiers : Methods and Algorithms. Wiley-Interscience.
Uso das redes neurais de função de base radial e Growing Neural Gas na classificação de imagens de sensoriamento remoto
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7247 Uso das redes neurais de função de base radial e Growing Neural Gas na classificação
Leia maisRedes Neurais: RBF. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: RBF DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes de Funções de
Leia maisRedes Neurais: MLP. Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais: MLP DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos Redes diretas de múltiplas
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisClassificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Leia maisReconhecimento de Faces Utilizando Redes Neurais MLP
Reconhecimento de Faces Utilizando Redes Neurais MLP Autor: Adilmar Coelho Dantas 1, Orientador: Márcia Aparecida Fernandes 1 1 Programa de Pós-Graduação em Ciência da Computação Universidade Federal do
Leia maisMapeamento do uso do solo para manejo de propriedades rurais
1/28 Mapeamento do uso do solo para manejo de propriedades rurais Teoria Eng. Allan Saddi Arnesen Eng. Frederico Genofre Eng. Marcelo Pedroso Curtarelli 2/28 Conteúdo programático: Capitulo 1: Conceitos
Leia maisClassificação Linear. André Tavares da Silva.
Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron
Leia maisCOMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA
COMPARAÇÃO ENTRE OS MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA MAXVER E DISTÂNCIA MÍNIMA NA ANÁLISE DO USO E COBERTURA DO SOLO NA REGIÃO DO ALTO ARAGUAIA Rodrigo Moura Pereira¹ (UEG) Gustavo Henrique Mendes
Leia maisCLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3
CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO BASEADA EM TEXTURA POR REDES NEURAIS ADRIANO BELUCO 1 ALEXANDRE BELUCO 2 PAULO MARTINS ENGEL 3 1 CEPSRM - Centro Estadual de Pesquisa em Sensoriamento Remoto
Leia maisSEMINÁRIO DOS ARTIGOS:
SEMINÁRIO DOS ARTIGOS: Text Detection and Character Recognition in Scene Images with Unsupervised Feature Learning End-to-End Text Recognition with Convolutional Neural Networks Fernanda Maria Sirlene
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES DE FUNÇÃO DE BASE RADIAL - RBF Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Funções de Base Global Funções de Base Global são usadas pelas redes BP. Estas funções são definidas como funções
Leia maisRedes Neurais Artificial. Prática. Inteligência Artificial
Redes Neurais Artificial Prática Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução a MLP 2. Base de dados e Pré-Processamento 3. Prática MLP - Introdução Redes
Leia maisIMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisMinicurso: Inteligência Artificial Aplicada a Sistemas Elétricos
Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz
Leia mais3 Redes Neurais Artificiais
3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida
Leia maisMaria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França Ferreira 1
Imagens CBERS para o Monitoramento da 2 a Safra Agrícola de 2004 Município de Jataí Goiás Maria Gonçalves da Silva Barbalho 1 André Luiz Monteiro da Silva 1 Mariana Almeida de Araújo 1 Rafael Antônio França
Leia maisClassificação de Padrões. Abordagem prática com Redes Neurais Artificiais
Classificação de Padrões Abordagem prática com Redes Neurais Artificiais Agenda Parte I - Introdução ao aprendizado de máquina Parte II - Teoria RNA Parte III - Prática RNA Parte IV - Lições aprendidas
Leia maisIntrodução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana
Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)
Leia maisRedes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com
Leia maisRedes Neurais MLP: Exemplos e Características
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava
Leia maisRede RBF (Radial Basis Function)
Rede RBF (Radial Basis Function) André Tavares da Silva andre.silva@udesc.br Roteiro Introdução à rede neural artificial RBF Teorema de Cover da separabilidade de padrões RBF x MLP RBF Função de ativação
Leia maisAvaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre
Avaliação de métodos de classificação de imagens IKONOS para o mapeamento da cobertura terrestre Regiane Maria Paes Ribeiro 1 Vicente Paulo Soares 2 Carlos Antônio Oliveira Vieira 2 1 Agência Nacional
Leia maisDesempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015
https://eventos.utfpr.edu.br//sicite/sicite2017/index Desempenho de classificadores de SIG em imagens do Landsat-8 da Bacia Hidrográfica do Rio São Francisco Verdadeiro Oeste do PR, no ano de 2015 RESUMO
Leia maisPrimeiras Redes Neurais Artificiais: Perceptron e Adaline
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.3. Perceptron Multicamadas - MLP 2.3.1. Introdução ao MLP 2.3.2. Treinamento
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 22 Redes Neurais Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor (KNN). Support
Leia maisClassificador Neural Híbrido para Imagens Obtidas por Sensoriamento Remoto
UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE Universidade Federal do Rio Grande do Norte Centro de Tecnologia Programa de Pós-Graduação em Engenharia Elétrica e Computação Classificador Neural Híbrido para
Leia maisAprendizado de Máquinas. Multi-Layer Perceptron (MLP)
Universidade Federal do Paraná (UFPR) Departamento de Informática (DInf) Aprendizado de Máquinas Multi-Layer Perceptron (MLP) David Menotti, Ph.D. web.inf.ufpr.br/menotti Redes Neuronais Cérebro humano.
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.5. Support Vector Machines 2.5. Support Vector Machines (SVM) 2.5.2.
Leia maisAprendizagem de Máquinas
Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Aprendizagem de Máquinas DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Aprendizagem de Máquinas
Leia maisRedes Neurais e Sistemas Fuzzy
Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização
Leia maisCampus de Presidente Prudente PROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisRedes Neurais Artificiais
Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de
Leia maisAlgoritmos de Aprendizado
Algoritmos de Aprendizado Regra de Hebb Perceptron Delta Rule (Least Mean Square) Back Propagation Radial Basis Functions (RBFs) Competitive Learning Hopfield Algoritmos de Aprendizado Regra de Hebb Perceptron
Leia maisCOMPARAÇÃO DA TÉCNICA DAS REDES NEURAIS COM O ALGORITMO ESTATÍSTICO DA MÁXIMA VEROSSIMILHANÇA NA CLASSIFICAÇÃO DO USO DO
COMPARAÇÃO DA TÉCNICA DAS REDES NEURAIS COM O ALGORITMO ESTATÍSTICO DA MÁXIMA VEROSSIMILHANÇA NA CLASSIFICAÇÃO DO USO DO SOLO UTILIZANDO IMAGENS ORBITAIS Selma Regina Aranha Ribeiro Selma@geoc.ufpr.br
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisIntrodução a Redes Neurais Artificiais com a biblioteca Encog em Java
Introdução a Redes Neurais Artificiais com a biblioteca Encog em Java Apresentação Graduada em Sistemas de Informação FAP/Parnaíba Mestranda do Programa de Pós-Graduação em Engenharia da Eletricidade -
Leia maisSensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
Leia maisINTELIGÊNCIA ARTIFICIAL
INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos
Leia maisTÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais
TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador
Leia maisInteligência Artificial. IA Conexionista: Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis. Renan Rosado de Almeida
Inteligência Artificial IA Conexionista: Redes Neurais Artificiais Perceptron de Múltiplas Camadas Mapas Auto-Organizáveis Renan Rosado de Almeida rralmeida@inf.ufrgs.br Perceptron de Múltiplas Camadas
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.4. Outras Redes Neurais Artificiais 2.4.1. Redes RBF 2.4.2. Mapas
Leia maisInterpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução
Thiago Broerman Cazes Interpretação Baseada em Conhecimento de Imagens de Sensores Remotos de Alta Resolução Dissertação de Mestrado Dissertação apresentada ao Programa de Pósgraduação em Engenharia Elétrica
Leia maisUNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA
UNIVERSIDADE FEDERAL DO PARÁ PRÓ-REITORIA DE PESQUISA E PÓS-GRADUAÇÃO DIRETORIA DE PESQUISA PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO CIENTÍFICA PIBIC : CNPq, CNPq/AF, UFPA, UFPA/AF, PIBIC/INTERIOR,
Leia maisAprendizagem de Máquina. Redes Neurais Artificiais (RNAs)
Aprendizagem de Máquina Redes Neurais Artificiais (RNAs) Plano de Aula Introdução Motivação Biológica Perceptron Superfície de Decisão Descida do Gradiente Redes Multicamadas (Multilayer) Retropropagação
Leia maisMapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões
Mapeamento do uso da terra baseado em imagem Ikonos II com a utilização de algoritmos classificadores por pixels e por regiões Luís Eduardo Ribeiro de Mendonça 1 Vicente Paulo Soares 1 José Marinaldo Gleriani
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS AULA 03 Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 INTRODUÇÃO Aprendizagem é um processo pelo qual os parâmetros livres de uma rede neural são adaptados através de um processo
Leia maisInteligência Artificial Redes Neurais
Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre
Leia maisTópicos sobre Redes Neurais
Tópicos sobre Redes Neurais -Memórias Matriciais -Modelos Híbridos -Redes de Base Radial(RBF) -Redes Construtivas -Redes Recorrentes Prof João Alberto Fabro IF67D Sistemas Inteligentes 1 Dep de Informática
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.2. Perceptron 2.2.1. Introdução 2.2.2. Funcionamento do perceptron
Leia maisPrevisão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN
Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1
Leia maisPredição genômica de caracteres quantitativos por meio de Redes Neurais Artificias
Universidade Federal de Viçosa Predição genômica de caracteres quantitativos por meio de Redes Neurais Artificias Isabela de Castro Sant Anna Supervisor: Moysés Nascimento Laboratório de Inteligência Computacional
Leia maisPROGRAMA DE ENSINO. Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Semestre Código Ano Letivo Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x ) DOUTORADO
Leia maisRedes Neurais. Motivação. Componentes do neurônio. Cérebro humano. Criar máquinas capazes de operar independentemente do homem:
Motivação M. Sc. Luiz Alberto lasf.bel@gmail.com Redes Neurais Criar máquinas capazes de operar independentemente do homem: Aprenda sozinha; Interagir com ambientes desconhecidos; Possa ser chamada de
Leia maisAnálise Quantitativa de Tecidos em Úlceras de Perna
49 5 Análise Quantitativa de Tecidos em Úlceras de Perna A avaliação das áreas proporcionais de cada tecido interno das úlceras fornece informações importantes sobre seu estado patológico [BERRISS, 2000],
Leia maisserotonina (humor) dopamina (Parkinson) serotonina (humor) dopamina (Parkinson) Prozac inibe a recaptação da serotonina
Redes Neurais O modelo biológico O cérebro humano possui cerca 100 bilhões de neurônios O neurônio é composto por um corpo celular chamado soma, ramificações chamadas dendritos (que recebem as entradas)
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem (Redes Neurais - Complementar) Prof. a Joseana Macêdo
Leia maisEstudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial
Estudo Comparativo entre Redes Neurais Artificiais Aplicadas a Reconhecimento Facial Renan Bessa 1, Elder dos Santos Teixeira 2, Guilherme Costa Holanda 3, Auzuir Ripardo de Alexandria 4 1 Graduando em
Leia maisPROGRAMA DE ENSINO. 3 quadrimestre Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina ANÁLISE DE IMAGENS MULTIESPECTRAIS Código Semestre Ano Letivo 3 quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Engenharia Elétrica Universidade Federal do Paraná (UFPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisFelix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS
UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática
Leia maisInteligência Artificial Redes Neurais Artificiais
Pós-Graduação em Engenharia Elétrica Inteligência Artificial Redes Neurais Artificiais João Marques Salomão Rodrigo Varejão Andreão Arquitetura e composição das RNAs Uma rede neural artificial é composta
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Redes Neurais Artificiais Plano de Aula Introdução Motivação Biológica
Leia maisRedes Neurais Feedforward e Backpropagation. André Siqueira Ruela
Redes Neurais Feedforward e Backpropagation André Siqueira Ruela Sumário Introdução a redes feedforward Algoritmo feedforward Algoritmo backpropagation Feedforward Em uma rede feedforward, cada camada
Leia maisCidade Universitária Zeferino Vaz Campinas - SP
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7324 Avaliação de classificadores para o mapeamento de uso da terra Ariadiny
Leia maisAlgoritmos de Aprendizado. CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico. Regra de HEBB.
CONTEÚDO Introdução Motivação, Objetivo, Definição, Características Básicas e Histórico Conceitos Básicos Neurônio Artificial, Modos de Interconexão Processamento Neural Recall e Learning Regras de Aprendizado
Leia maisGENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES
GENERALIZAÇÃO DE REDES NEURAIS ARTIFICIAS USANDO DADOS DE DIFERENTES SENSORES - LANDSAT E CBERS - UMA ABORDAGEM ORIENTADA A REGIÕES Igor Amazonas de Andrade 1 Mosar Faria Botelho 2 Selma Regina Aranha
Leia maisMapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Leia maisMineração de Dados em Biologia Molecular
Mineração Dados em Biologia Molecular Principais tópicos André C. P. L. F. Carvalho Monitor: Valéria Carvalho Res Neurais Artificiais Introdução Arquitetura Aprendizado Principais molos Perceptron MLP
Leia maisRedes Neurais Artificiais - Introdução. Visão Computacional
Redes Neurais Artificiais - Introdução Visão Computacional Inspiração 2 Inspiração 3 Inspiração Atividade seletivanas conexões Soma os impulsos e passa a diante 4 Inspiração As conexões entre os dendritos
Leia maisAvaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo
Avaliação de métodos de classificação em ortofotocartas digitais para identificação do uso e ocupação do solo Gesner Cardoso Porfírio 1 Giovanni de Araujo Boggione 1 1 Centro Federal de Educação Tecnológica
Leia maisClassificação de áreas cafeeiras por meio de redes neurais artificiais e os aspectos relacionados à reflectância: um estudo exploratório
Classificação de áreas cafeeiras por meio de redes neurais artificiais e os aspectos relacionados à reflectância: um estudo exploratório Julio Flores Navares 1 Tatiana Grossi Chquiloff Vieira 1,2,3 Wilian
Leia mais4 Redes Neurais Artificiais
4 Redes Neurais Artificiais Inteligência computacional pode ser definida como um conjunto de modelos, algoritmos, técnicas, ferramentas e aplicações em sistemas computadorizados que emulem características
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Apresentação da Disciplina Alessandro L. Koerich 2008 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Mestrado/Doutorado em Informática Aprendizagem
Leia maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS INTRODUÇÃO Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 REDES NEURAIS ARTIFICIAIS - RNAs Inspiradas no cérebro humano São modelos computacionais inspirados nos mecanismos
Leia maisAprendizado de Máquina Introdução às Redes Neurais Artificiais
Aprendizado de Máquina Introdução às Redes Neurais Artificiais Marcos Oliveira Prates (Agradecimento Marcelo Azevedo Costa) Departamento de Estatística Universidade Federal de Minas Gerais Inteligência
Leia maisAplicação de Mapas de Kohonen em imagem de satélite do semi-árido e comparação com o método da máxima verossimilhança.
Aplicação de Mapas de Kohonen em imagem de satélite do semi-árido e comparação com o método da máxima verossimilhança. Davi Nunes Oliveira 1 Beatriz Fernandes Simplicio Sousa 1 Arthur Plínio de Souza Braga
Leia maisMultiple Layer Perceptron
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Multiple Layer Perceptron David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Multiple Layer Perceptron (MLP) Backpropagation
Leia maisProfs.: Eduardo Vargas Ferreira Walmes Marques Zeviani
Universidade Federal do Paraná Laboratório de Estatística e Geoinformação - LEG Introdução Profs.: Eduardo Vargas Ferreira Walmes Marques Zeviani O que é Machine Learning? Estatística Machine Learning
Leia maisSegmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Leia maisAdriana da Costa F. Chaves. Máquina de Vetor Suporte (SVM) para Classificação Binária 2
Máquina de Vetor Suporte (SVM) para Classificação Binária Adriana da Costa F. Chaves Conteúdo da Apresentação Introdução Máquinas de Vetor Suporte para Classificação binária Exemplos Conclusão Máquina
Leia maisSensoriamento Remoto II
Sensoriamento Remoto II 2 Detecção de alterações UFPR Departamento de Geomática Prof. Jorge Centeno O problema de deteção de mudanças É possível detectar as alterações em uma série de imagens orbitais
Leia maisCOMPARAÇÃO TEMÁTICA DE IMAGENS FUSIONADAS E NÃO FUSIONADAS RESUMO ABSTRACT
COMPARAÇÃO TEMÁTICA DE IMAGENS FUSIONADAS E NÃO FUSIONADAS Júlio César Albuquerque Simões Belo 1 ; Mirelly de Oliveira Farias 2 ; João Rodrigues Tavares Junior 3 ; Ana Lúcia Bezerra Candeias 4 1,2,3,4
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
Leia maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 11 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 5 de Janeiro de 2016 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Modelos de classificação por Redes Neurais Artificiais Prof. Paulo Martins Engel Motivação Classificadores baseados em representação simbólica (AD, RD,...) estão limitados a particionar
Leia maisRedes Neurais Artificial
Redes Neurais Artificial Tópicos: Introdução ao estudo de RNA sua origem e inspiração biológica Características gerais das RN e descrição do neurônio artificial Aprendizado de RN e tipos de Aprendizado
Leia maisTópicos Especiais: Inteligência Artificial REDES NEURAIS
Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig
Leia maisAprendizagem de Máquina
Plano da Apresentação Aprendizagem de Máquina Alessandro L. Koerich 2007 Mestrado e Doutorado em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Professor & Experiência Acadêmica Horários
Leia maisDetecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais
Detecção de Faces Humanas em Imagens Coloridas Utilizando Redes Neurais Artificiais Wellington da Rocha Gouveia Universidade de São Paulo Escola de Engenharia de São Carlos Departamento de Engenharia Elétrica
Leia maisRedes neurais artificiais
Redes neurais artificiais Conceitos em redes neuronais Redes neuronais artificiais (RNA): uma metáfora cerebral para processamento de informações Computação neuronal Muitos usos de RNA para Reconhecimento
Leia maisAvaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG
Avaliação de algoritmos de classificação supervisionada para imagens do Cbers-2 da Região do Parque Estadual do Rio Doce-MG Mayra Luíza Marques da Silva 1 Geraldo Paulino Marques Pereira 2 1 Universidade
Leia mais11º ENTEC Encontro de Tecnologia: 16 de outubro a 30 de novembro de 2017
A UTILIZAÇÃO DAS REDES NEURAIS ARTIFICIAIS NO AUXÍLIO NA IDENTIFICAÇÃO DE MELANOMAS Adroaldo Antônio Candido Neto 1 ; Stéfano Schwenck Borges Vale Vita 2 1, 2 Universidade de Uberaba adroaldoneto94@outlook.com;
Leia maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 27 de maio de 2016 Reconhecimento de objetos Padrão: arranjo
Leia maisAnálise da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG
Análise da Complexidade de Tempo e Espaço em Algoritmos para Classificação de Padrões em sinais de ECG Eduardo Luz David Menotti Universidade Federal de Ouro Preto 05/07/2011 Summary Rede Neuronal Artificial
Leia mais