Utilização de Support Vector Machine para classificação multiclasses de imagens Landsat TM +
|
|
- Raphaella Mangueira Pinho
- 8 Há anos
- Visualizações:
Transcrição
1 Utilização de Support Vector Machine para classificação multiclasses de imagens Landsat TM + Gabriel Henrique de Almeida Pereira Jorge Antonio Silva Centeno Universidade de Federal do Paraná UFPR Centro Politécnico, Curitiba PR, CEP pereira.gha@hotmail.com; centeno@ufpr.br Abstract. The classification of images uses digital spectral information represented by digital values of each pixel, for example, at one or more spectral bands, classifying this pixel in a class, this can be considered spectral pattern recognition. Classification algorithms have been developed since the first Landsat image, acquired in Among the most popular and widely used is the maximum likelihood classifier, or proven as an alternative, the Artificial Neural Networks (ANN). Support Vector Machine (SVM) have also been proposed to improve the classification, and one of the main differences between RNA and SVM is that, while for RNA there can be many solutions, the SVM converges to a single optimal solution. SVM are binary classifiers that assign a given sample to a class, of only two possible classes. However, remote sensing applications involves multiple classes. There are some solutions to use SVM in the multiclass problem, and in this work, the methodology used in this work was 'one against all' for the six classes classification Landsat TM + image of Ilha do Mel and Pontal do Paraná region s, Paraná - Brazil. For evaluating the performance of the classification algorithm, the results were analyzed based on the error matrix (or confusion matrix), giving a good results on the discrimination of similar targets, like mangroves and other vegetation, and with a total classification accuracy of 99.6%. Palavras-chave: spectral pattern recognition, optimal solution, 'one against all', confusion matrix, reconhecimento de padrão espectral, solução ótima, 'um contra todos', matriz de confusão. 1. Introdução Dados de sensoriamento remoto são usados em inúmeras aplicações, sendo que uma das principais finalidades do sensoriamento remoto é deduzir informações da cobertura do solo. Isto é feito analisando os dados armazenados na imagem, de maneira a associá-los com o mundo real. Várias são as opções para executar esta tarefa e a escolha de cada uma delas depende do trabalho a ser executado. Em alguns casos, a análise visual dos dados é a forma mais recomendada, principalmente quando se trata de pequenas áreas. A análise visual oferece a vantagem de integrar outros dados junto com a imagem, pois faz proveito do conhecimento e experiência do intérprete, o que, às vezes, é difícil de atingir numa análise automática, baseada em algoritmos numéricos. No entanto, o processamento digital oferece algumas vantagens, como por exemplo, o fato de usar todas as bandas espectrais, algo que o humano não consegue visualizar simultaneamente. O processamento digital também oferece a vantagem de repetir processos com facilidade e por isso torna-se útil em trabalhos que envolvem grandes áreas. Uma solução completamente automática ainda está longe, embora alguns passos significativos venham sendo dados nesta direção, com a aplicação de algoritmos de inteligência artificial no processamento de imagens. Porém, a solução ainda mais apropriada consiste em combinar a análise visual com técnicas digitais, de maneira a imprimir maior dinâmica ao processo de interpretação, sem perder a qualidade dos resultados. Infelizmente, a classificação da imagem não é uma tarefa trivial. Como observado por Chen e Ho (2008), classificação de dados de sensoriamento remoto é particularmente difícil porque a maioria dos métodos de aprendizagem supervisionada requer uma quantidade suficientemente grande de amostras de treinamento. No entanto, definição e aquisição de 2322
2 dados de referência é muitas vezes um problema crítico. Várias técnicas de classificação, tanto paramétricas como não paramétricas, foram desenvolvidas e utilizadas em diferentes contextos, inclusive de sensoriamento remoto. (Mountrakis et al., 2011) Produção de mapas temáticos sobre o uso e cobertura do solo utilizando sensoriamento remoto é comumente realizada através de classificação digital de imagens (Chintan et al., 2004 apud Petropoulos et al., 2012). Segundo Kavzoglu e Colkesen (2009), a classificação pode ser definida como a atribuição de cada pixel na imagem original a uma classe, dependendo dos valores de reflectância espectral dos objetos. A classificação digital de imagens utiliza a informação espectral representada pelos valores dos contadores digitais (de cada pixel, por exemplo), de uma ou mais bandas espectrais, classificando-o em cada classe, sendo considerado assim um reconhecimento de padrão espectral (Kavzoglu e Colkesen, 2009). Classificadores supervisionados também são comumente divididos em paramétricos e não paramétricos. Classificadores paramétricos (por exemplo, a máxima verossimilhança) exigem conhecimento prévio/suposições sobre a distribuição estatística dos dados a serem classificados, o que é muitas vezes difícil de atingir na prática. (Petropoulos et al., 2012) Algoritmos de classificação têm sido desenvolvidos desde a primeira imagem Landsat, adquirida em 1972 (Townshend, 1992; Hall et al, 1995; Lu e Weng, 2007 apud Kavzoglu e Colkesen, 2009). Entre os mais populares e amplamente utilizados está o classificador de máxima verossimilhança (Huang et al., 2002 apud Kavzoglu e Colkesen, 2009). Este classificador é uma aproximação paramétrica que assume a assinatura de cada classe como uma distribuição normal. Embora esta suposição seja geralmente válida é inválida quando se trata de classes com várias subclasses ou com diferentes informações espectrais (Kavzoglu e Reis, 2008 apud Kavzoglu e Colkesen, 2009). Para superar esse problema, algumas técnicas não paramétricas de classificação, como as Redes Neurais Artificiais (RNA) foram recentemente introduzidas. Support Vector Machine (SVM) também foi proposto para melhoria na classificação. SVM é um método com treinamento supervisionado, usado tanto em problemas de classificação como de regressão. (Vapnik, 1995 apud Kavzoglu e Colkesen, 2009) Conforme Burges (1998), Suport Vector Machines é uma ferramenta que fornece uma nova abordagem para o problema de reconhecimento de padrões. SVM é um classificador supervisionado que tem por objetivo encontrar um hiperplano que separa um conjunto de dados em classes discretas, utilizando-se de processo iterativo e de exemplos de treinamento para ajustar este hiperplano. Para isto, SVM encontra um hiperplano que otimiza a separação das classes, também conhecido como hiperplano ótimo ou ideal, que maximiza a distância entre as classes, sendo usado como fronteira de decisão. (Zhu e Blumberg, 2002 apud Mountrakis et al., 2011; Kavzoglu e Colkesen, 2009; Petropoulos et al., 2012; Costa et al., 2010; Andreola e Haertel, 2009) Uma das principais diferenças entre o RNA e SVM é que, enquanto que para a RNA pode haver muitas soluções, o SVM converge para uma única solução ótima. Esta é uma "vantagem" prática do SVM, quando comparado com RNA. Ou seja, como afirmado em Burges (1998), SVM difere radicalmente das abordagens comparáveis, como redes neurais, pois sempre encontra um mínimo global, uma solução ótima. Além disso, sendo não-paramétrico, SVM não assume uma distribuição estatística conhecida a priori dos dados a serem classificados. Isto é particularmente útil, porque os dados adquiridos a partir de imagens de sensores remotos geralmente têm distribuições desconhecidas. Isto permite que o SVM supere técnicas com base na classificação de máxima verossimilhança, pois a normalidade nem sempre dá uma suposição correta da distribuição real dos pixels em cada classe. (Su et al., 2009 apud Mountrakis et al., 2011) 2323
3 Entretanto, Mountrakis et al. (2011) alertam que, na sua forma mais simples, SVM é um classificador binário que atribui uma dada amostra a uma classe, de apenas duas classes possíveis. Porém, aplicações de sensoriamento remoto envolvem várias classes (Foody e Mathur et al., 2004). Andreola e Haertel (2009) acrescentam que o classificador SVM só pode ser utilizado na separação de um par de classes a cada vez. Entretanto, dados de sensoriamento remoto de cenas naturais envolvem a presença de um número maior de classes. Desta forma, a aplicação da técnica SVM na classificação de imagens de sensoriamento remoto requer abordagens especiais. Duas abordagens principais têm sido sugeridas para a aplicação de SVM na classificação multiclasses. Em cada uma, a base tem sido a de reduzir o problema multiclasse a um conjunto de problemas de binário, permitindo a utilização da abordagem básica do SVM (Foody e Mathur et al., 2004) Segundo Petropoulos et al. (2012), SVM pode ser estendido a mais do que duas classes, dividindo o problema em uma série de separações binárias. Isto pode ser feito escolhendo-se entre duas abordagens: um contra todos e um contra um. Diversos métodos são conhecidos para ajustar SVM em um cenário multiclasse, incluindo: (a) a formação de um classificador para distinguir cada classe de todas as outras classes, comumente chamado de "um contra todos", (b) a formação de um classificador para distinguir entre cada par de classes, chamado de "um contra um". Além disso, a fim de representar formas mais complexas do que hiperplanos lineares, o classificador pode utilizar funções kernel. Funções kernel comumente usadas em SVM incluem função de base polinomial, radial (RBF) e kernel sigmóide. (Petropoulos et al., 2012) No entanto, a função de base radial (RBF) e polinomial são comumente utilizados na literatura para a classificação de imagens de sensoriamento remoto. (Huang et al, 2002;. Keerthi e Lin, 2003; Pal e Mather, 2005 apud Kavzoglu e Colkesen, 2009) Pesquisas recentes indicaram o potencial considerável de SVM para a classificação supervisionada de dados de sensoriamento remoto. Mountrakis et al. (2011) afirmam que, mesmo o método SVM não sendo muito popular, nos últimos anos têm havido um aumento significativo em estudos sobre SVM em problemas de sensoriamento remoto. Estudos comparativos têm mostrado que a classificação por um SVM pode ser mais preciso do que redes neurais e árvores de decisão, bem como classificadores probabilísticos convencionais, tais como a classificação máxima verossimilhança (Foody e Mathur, 2004; Huang et al, 2002 apud Foody e Mathur et al., 2004 b). Recentemente, SVM foi usado com sucesso na área de sensoriamento remoto (Huang et al, 2002; Dixon e Candade, 2008; Yao et al, 2008; Foody e Mathur, 2008 apud Kavzoglu e Colkesen, 2009). 2. Metodologia de Trabalho A imagem Landsat TM + a ser classificada é apresentada na Figura 1. Esta imagem corresponde à região da Ilha do Mel e Pontal do Paraná, Estado do Paraná Brasil. A Figura 1a apresenta a composição das faixas correspondentes à região do espectro visível, e as Figuras 1b, 1c, 1d, 1e, 1f, 1g, 1h, representam as imagens correspondentes à região do espectro do azul, verde, vermelho, infravermelho próximo, infravermelho médio, infravermelho termal e infravermelho distante, respectivamente. 2324
4 a a b c e f g h Figura 1 Imagem Landsat TM + da região da Ilha do Mel PR BR. Para a classificação, foram utilizadas apenas 6 das 7 bandas espectrais apresentadas na Figura 1(b-h). A única banda espectral que não foi utilizada foi a banda do infravermelho termal (banda 6 Figura 1g), pois o sensor responsável por esta banda possui falha e os dados apresentam muitos ruídos. A formulação do SVM pode ser entendida em Foody e Mathur (2004); Kavzoglu e Colkesen (2009); Alonso e Malpica (2008); Burges (1998). O método consiste, basicamente, em se identificar a fronteira de decisão entre as classes em função dos dados de treinamento apresentados. Esta fronteira pode ser dada por: g(x) =w t x +b =0 (1) onde w t é o vetor transposto de pesos e b é o termo independente. Os dados de treinamento então devem satisfazer as seguintes condições: w t x +b 1 para y i = 1 w t x +b -1 para y i = -1 (2) Podendo ser combinadas na seguinte inequação, para todos os dados de treinamento: y i (w t x +b) 1 0 (3) Estas condições e equações podem ser exemplificadas como na Figura
5 Figura 2 - Representação do plano e margens obtidas no treinamento do SVM. (Kavzoglu e Colkesen, 2009) Nesta análise, foi utilizada a função de kernel de base radial (RBF), por ser vastamente referenciada em trabalhos de classificação de dados de sensoriamento remoto utilizando SVM. Por tratar de um problema multiclasses, uma vez que se pretende classificar a imagem em 6 classes diferentes, adotou-se a metodologia de classificação um contra todos. As classes estipuladas de interesse são, nomeadamente: água, areia, mangue, restinga, urbana e vegetação. Sendo assim, ao se utilizar esta metodologia de um contra todos, foram treinados SVM especializados em cada classe, ou seja, um SVM que separa água das demais classes, areia das demais classes e assim por diante. Ao final da classificação de cada SVM, os resultados são agrupados e têm-se todas as classes classificadas. Para a avaliação do desempenho do algoritmo de classificação, os resultados foram analisados com base na matriz de erros (ou matriz de confusão). Neste processo, é realizada a comparação entre a verdade terrestre (ou verdade de campo) e os resultados disponíveis na imagem temática classificada. Para isto, novas áreas de verificação são escolhidas na imagem, sendo que a verdadeira classificação destas áreas deve ser conhecida. A matriz de erros contém, nas suas células, o total de pixels corretamente classificados, bem como os erroneamente classificados dentro de uma classe diferente daquela esperada, que são os erros de comissão e de omissão. 3. Resultados e Discussão A imagem Landsat TM + classificada através do Support Vector Machine é apresentada na Figura 3. Como descrito anteriormente, as classes classificadas foram água, areia, mangue, restinga, urbana e vegetação, e ainda, como existiram pixels que não foram classificados em nenhuma das classes, estes foram atribuídos à legenda sem informação. 2326
6 Figura 3 Imagem Landsat TM + da região da Ilha do Mel e Pontal do Paraná, PR- BR, classificada com Support Vector Machine. Para quantificar os erros e acertos, foi feita a Matriz de Confusão, apresentada na Tabela 1. Nesta matriz, as colunas representam os pixels classificados por um técnico, para representar a verdade de campo, enquanto que as linhas representam os pixels classificados pelo classificador SVM. Tabela 1 Matriz de Confusão da Classificação da Imagem Landsat TM + com Support Vector Machine. Nesta matriz, é possível verificar que os maiores valores das linhas e colunas se encontram na diagonal principal da matriz o que representa que a maioria dos pixels foram corretamente classificados pelo técnico e pelo Support Vector Machine, enquanto que os valores fora da diagonal principal representam os pixels erroneamente classificados. Como exemplificação dos valores que se encontram fora da diagonal principal, percebe-se que o maior valor é o valor de 327, o que representa que 327 pixels foram classificados pelo SVM como área de mangue, mas foram caracterizados na verdade de campo como vegetação. Esta confusão se deu principalmente pela resposta espectral do mangue se assemelhar com a classe vegetação. Com relação às porcentagens, a última linha e a última coluna da tabela representam a porcentagem de acertos das classes, a diferença do valor para 100% representa erros de inclusão e omissão, respectivamente. É possível perceber valores elevados de acertos, os valores mais baixos estão justamente nas classes com poucas amostras para cruzamento das informações, uma vez que poucos pixels erroneamente classificados podem trazer erros representativos em pequenas amostras de referência. Entretanto, atenta-se para o acerto global da classificação, com valor de 99,6%, o que demonstra que o classificador Support Vector Machine é capaz de ótimos resultados na classificação de imagens Landsat TM
7 4. Conclusões Neste trabalho foi apresentada a utilização de uma metodologia para a classificação multiclasses de uso e cobertura do solo a partir de uma imagem Landsat TM +, com o classificador binário Support Vector Machine (SVM). Os resultados obtidos demonstraram a elevada capacidade deste classificador, mesmo na classificação multiclasses de imagens de sensoriamento remoto. Além da discriminação de alvos com resposta espectral semelhante, como mangue e vegetação em geral, um acerto global de 99,6% na classificação do SVM, em relação a uma classificação considerada verdade de campo, demonstram que o classificador é uma poderosa ferramenta de reconhecimento de padrões, com elevadas taxas de acertos. Os bons resultados obtidos foram considerados estimulantes e servem de motivação para novos estudos, como a classificação de imagens de alta resolução e dados laser scanner. Referências Bibliográficas ALONSO, M. C., MALPICA, J. A., Classification of Multispectral High-Resolution Satellite Imagery Using LIDAR Elevation Data. Springer-Verlag Berlin Heidelberg, ISVC 2008, Part II, LNCS 5359, p , ANDREOLA, R., HAERTEL, V., Support Vector Machines na Classificação de Imagens Hiperespectrais. In: Simpósio Brasileiro de Sensoriamento Remoto (SBSR), 14, 2009, Natal. Anais... São José dos Campos: INPE, Artigos, p BURGES, C. J. C., A Tutorial on Support Vector Machines for Pattern Recognition. Data Mining and Knowledge Discovery, 2, p , CHEN, C. H., HO, P. P., Statistical pattern recognition in remote sensing. Pattern Recognition, 41, p , FOODY E MATHUR, G. M., MATHUR, A., A Relative Evaluation of Multiclass Image Classification by Support Vector Machines. Transactions on Geoscience and Remote Sensing, vol. 42, nº. 6, p , FOODY E MATHUR, G. M., MATHUR, A., Toward Intelligent Training of Supervised Image Classifications: Directing Training Data Acquisition for SVM Classification. Remote Sensing of Environment, 93, p , 2004b. KAVZOGLU, T., COLKESEN, I., A Kernel Functions Analysis for Support Vector Machines for Land Cover Classification. International Journal of Applied Earth Observation and Geoinformation, 11, p , MOUNTRAKIS, G., IM, J., OGOLE, C., Support vector machines in remote sensing - A review. ISPRS Journal of Photogrammetry and Remote Sensing, 66, p , PETROPOULOS, G. P., ARVANITIS, K., SIGRIMIS, N., Hyperion Hyperspectral Imagery Analysis Combined with Machine Learning Classifiers for Land Use/Cover Mapping. Expert Systems with Applications, 39, p ,
Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral
Aplicação de Ensembles de Classificadores na Detecção de Patologias na Coluna Vertebral Hedenir M. Pinheiro Instituto de Informática Universidade Federal de Goiás (UFG) Caixa Postal 131 74001-970 Goiânia
Leia maisClassificação da imagem (ou reconhecimento de padrões): objectivos Métodos de reconhecimento de padrões
Classificação de imagens Autor: Gil Gonçalves Disciplinas: Detecção Remota/Detecção Remota Aplicada Cursos: MEG/MTIG Ano Lectivo: 11/12 Sumário Classificação da imagem (ou reconhecimento de padrões): objectivos
Leia maisClassificação de Imagens de Sensoriamento Remoto usando SVM
Raphael Belo da Silva Meloni Classificação de Imagens de Sensoriamento Remoto usando SVM Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do título de Mestre pelo Programa
Leia maisComparação entre classificadores por pixel e por região com imagem SPOT-5 para o estado de Minas Gerais
Comparação entre classificadores por pixel e por região com imagem SPOT-5 para o estado de Minas Gerais Fernanda Rodrigues Fonseca 1 Thiago Duarte Pereira 1 Luciano Vieira Dutra 1 Eliana Pantaleão 1 Corina
Leia maisTÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE
TÓPICOS AVANÇADOS EM ENGENHARIA DE SOFTWARE Engenharia de Computação Professor: Rosalvo Ferreira de Oliveira Neto Estudos Comparativos Recentes - Behavior Scoring Roteiro Objetivo Critérios de Avaliação
Leia maisSensoriamento Remoto
Sensoriamento Remoto É a utilização conjunta de modernos sensores, equipamentos para processamento de dados, equipamentos de transmissão de dados, aeronaves, espaçonaves etc, com o objetivo de estudar
Leia mais3 Estado da arte em classificação de imagens de alta resolução
37 3 Estado da arte em classificação de imagens de alta resolução Com a recente disponibilidade de imagens de alta resolução produzidas por sensores orbitais como IKONOS e QUICKBIRD se tornou-se possível
Leia maisAnálise do potencial de classificação do uso e cobertura do solo por meio de rede neural. Claudio Gelelete 1 Carlos Frederico de Sá Volotão 2
Análise do potencial de classificação do uso e cobertura do solo por meio de rede neural Claudio Gelelete 1 Carlos Frederico de Sá Volotão 2 1 Instituto Militar de Engenharia - IME Pça Gen Tibúrcio, 80
Leia maisFlavio Marcelo CONEGLIAN, Rodrigo Antonio LA SCALEA e Selma Regina Aranha RIBEIRO. Universidade Estadual de Ponta Grossa
Comparação entre Classificações Supervisionadas em uma Imagem CBERS CCD com Bandas Multiespectrais e em uma Imagem Fusão da Mesma Imagem CBERS CCD Com uma Banda Pancromática HRC Flavio Marcelo CONEGLIAN,
Leia maisClassificação em Imagens de Satélite e o Monitoramento de Hidrelétricas. Mestrando: Rafael Walter de Albuquerque Orientador: José Alberto Quintanilha
Classificação em Imagens de Satélite e o Monitoramento de Hidrelétricas Mestrando: Rafael Walter de Albuquerque Orientador: José Alberto Quintanilha Introdução Mapeamento da cobertura e uso do solo: importante
Leia maisPotencial do uso da banda do infravermelho próximo na classificação de imagens adquiridas por câmaras digitais
Potencial do uso da banda do infravermelho próximo na classificação de imagens adquiridas por câmaras digitais Lauriana Rúbio Sartori Nilton Nobuhiro Imai Antônio Maria Garcia Tommaselli Roberto da Silva
Leia mais15- Representação Cartográfica - Estudos Temáticos a partir de imagens de Sensoriamento Remoto
15- Representação Cartográfica - Estudos Temáticos a partir de imagens de Sensoriamento Remoto O Sensoriamento Remoto é uma técnica que utiliza sensores, na captação e registro da energia refletida e emitida
Leia maisRenzo Joel Flores Ortiz e Ilka Afonso Reis
ESTIMAÇÃO DE POPULAÇÕES HUMANAS VIA IMAGENS DE SATÉLITE: COMPARANDO ABORDAGENS E MODELOS Renzo Joel Flores Ortiz e Ilka Afonso Reis Laboratório de Estatística Espacial (LESTE) Departamento de Estatística
Leia maisSVM Support Vector Machine
SVM Support Vector Machine Ø Introduction Ø Application to Indoor Localization (MLP x LVQ x SVM) Laboratório de Automação e Robótica - A. Bauchspiess Soft Computing - Neural Networks and Fuzzy Logic SVM
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisSensoriamento Remoto. Características das Imagens Orbitais
Sensoriamento Remoto Características das Imagens Orbitais 1 - RESOLUÇÃO: O termo resolução em sensoriamento remoto pode ser atribuído a quatro diferentes parâmetros: resolução espacial resolução espectral
Leia maisMINERAÇÃO DE DADOS APLICADA. Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br
MINERAÇÃO DE DADOS APLICADA Pedro Henrique Bragioni Las Casas pedro.lascasas@dcc.ufmg.br Processo Weka uma Ferramenta Livre para Data Mining O que é Weka? Weka é um Software livre do tipo open source para
Leia maisPara que um sensor possa coletar e registrar a energia refletida ou emitida por um objeto ou superfície, ele tem que estar instalado em uma
Sensores e Satélites Para que um sensor possa coletar e registrar a energia refletida ou emitida por um objeto ou superfície, ele tem que estar instalado em uma plataforma estável à distância do objeto
Leia maisReflectância espectral de classes e alvos urbanos no Rio de Janeiro, utilizando imagem do sensor Hyperion
Reflectância espectral de classes e alvos urbanos no Rio de Janeiro, utilizando imagem do sensor Hyperion Vandré Soares Viégas 1 Elizabeth Maria Feitosa da Rocha de Souza 2 1,2 Universidade Federal do
Leia maisMAPEAMENTO DE CLASSES INTRAURBANAS NO MUNICÍPIO DE CARAGUATATUBA (SP) UTILIZANDO IMAGENS LANDSAT-5 TM E IMAGEM NDBI
MAPEAMENTO DE CLASSES INTRAURBANAS NO MUNICÍPIO DE CARAGUATATUBA (SP) UTILIZANDO IMAGENS LANDSAT-5 TM E IMAGEM NDBI 1702 Bruna Lahos de Jesus Bacic bruna_lahos@hotmail.com Geografia Bacharelado Universidade
Leia mais2 Classificação de Imagens de Sensoriamento Remoto
2 Classificação de Imagens de Sensoriamento Remoto 2.1. Processamento Digital de Imagens Processamento Digital de Imagens entende-se como a manipulação de uma imagem por computador de modo que a entrada
Leia maisFigura 1: Localização geográfica da área de estudo com a composição colorida do sensor TM (R3, G2 e B1).
MUDANÇA DA PAISAGEM AMAZÔNICA NA ÁREA DO PROJETO DE ASSENTAMENTO DIRIGIDO SANTA LUZIA, EM CRUZEIRO DO SUL, AC Rafael C. DELGADO 1, Leonardo P. de SOUZA 1, Ian W. R. da SILVA 1, Evaldo de P. LIMA 2, Ricardo
Leia maisCurva ROC. George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE
Curva ROC George Darmiton da Cunha Cavalcanti Tsang Ing Ren CIn/UFPE Introdução ROC (Receiver Operating Characteristics) Curva ROC é uma técnica para a visualização e a seleção de classificadores baseado
Leia maisFEN- 06723 Processamento Digital de Imagens. Projeto 2 Utilização de máscaras laplacianas
FEN- 06723 Processamento Digital de Imagens Projeto 2 Utilização de máscaras laplacianas Marcelo Musci Mestrado Geomática/UERJ-2004 Abstract The Laplacian is also called as second difference function,
Leia maisMAPEAMENTO DA COBERTURA VEGETAL DE ÁREAS DE GRANDE EXTENSÃO ATRAVÉS DE MOSAICOS DE IMAGENS DO NOAA-AVHRR
MAPEAMENTO DA COBERTURA VEGETAL DE ÁREAS DE GRANDE EXTENSÃO ATRAVÉS DE MOSAICOS DE IMAGENS DO NOAA-AVHRR Maria G. Almeida 1, Bernardo F. T. Rudorff 2, Yosio E. Shimabukuro 2 graca@dppg.cefetmg.br, bernardo@ltid.inpe.br,
Leia maisPALAVRAS-CHAVE: Massas Nodulares, Classificação de Padrões, Redes Multi- Layer Perceptron.
1024 UMA ABORDAGEM BASEADA EM REDES PERCEPTRON MULTICAMADAS PARA A CLASSIFICAÇÃO DE MASSAS NODULARES EM IMAGENS MAMOGRÁFICAS Luan de Oliveira Moreira¹; Matheus Giovanni Pires² 1. Bolsista PROBIC, Graduando
Leia maisProjeto de Redes Neurais e MATLAB
Projeto de Redes Neurais e MATLAB Centro de Informática Universidade Federal de Pernambuco Sistemas Inteligentes IF684 Arley Ristar arrr2@cin.ufpe.br Thiago Miotto tma@cin.ufpe.br Baseado na apresentação
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 6 CLASSIFICAÇÃO DE IMAGENS Obter uma imagem temática a partir de métodos de classificação de imagens multi- espectrais 1. CLASSIFICAÇÃO POR PIXEL é o processo de extração
Leia maisFOTOINTERPRETAÇÃO. Interpretação e medidas. Dado qualitativo: lago
FOTOINTERPRETAÇÃO a) conceito A fotointerpretação é a técnica de examinar as imagens dos objetos na fotografia e deduzir sua significação. A fotointerpretação é bastante importante à elaboração de mapas
Leia maisDiscriminação de áreas cafeeiras de imagens multiespectrais da região de Três Pontas MG através de Redes Neurais Artificiais e Extratores de Textura
Discriminação de áreas cafeeiras de imagens multiespectrais da região de Três Pontas MG através de Redes Neurais Artificiais e Extratores de Textura Alexsandro Cândido de Oliveira Silva¹ Wilian Soares
Leia maisAnálise de Imagens CBERS da Bacia do Rio São Francisco utilizando Mapas Auto-Organizados de Kohonen e Classificadores K-Médias e Fuzzy C-Médias
Análise de Imagens CBERS da Bacia do Rio São Francisco utilizando Mapas Auto-Organizados de Kohonen e Classificadores K-Médias e Fuzzy C-Médias Cecília Cordeiro da Silva 1 Wellington Pinheiro dos Santos
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO - UFES CENTRO DE CIÊNCIAS HUMANAS E NATURAIS CCHN DEPARTAMENTO DE GEOGRAFIA DEFESA DE MONOGRAFIA
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO - UFES CENTRO DE CIÊNCIAS HUMANAS E NATURAIS CCHN DEPARTAMENTO DE GEOGRAFIA DEFESA DE MONOGRAFIA Evolução temporal e espacial do uso e ocupação do solo para os anos
Leia maisI ENCONTRO PAULISTA DE BIODIVERSIDADE
I ENCONTRO PAULISTA DE BIODIVERSIDADE 16 a 18 de novembro de 2009 Fundação Mokiti Okada Palestrante: Mônica Pavão Pesquisadora do Instituto Florestal INVENTÁRIO FLORESTAL DO ESTADO DE SÃO PAULO INVENTÁRIO
Leia maisUSO DA TÉCNICA DE ANALISE POR COMPONENTE PRINCIPAL NA DETECÇÃO DE MUDANÇAS NA COBERTURA DO SOLO
Samuel da Silva Farias, Graduando do curso de geografia da UFPE samuel.farias763@gmail.com Rafhael Fhelipe de Lima Farias, Mestrando do PPGEO/UFPE, rafhaelfarias@hotmail.com USO DA TÉCNICA DE ANALISE POR
Leia maisModelos Pioneiros de Aprendizado
Modelos Pioneiros de Aprendizado Conteúdo 1. Hebb... 2 2. Perceptron... 5 2.1. Perceptron Simples para Classificaçãod e Padrões... 6 2.2. Exemplo de Aplicação e Motivação Geométrica... 9 2.3. Perceptron
Leia maisVARIABILIDADE ESPAÇO TEMPORAL DO IVDN NO MUNICIPIO DE ÁGUAS BELAS-PE COM BASE EM IMAGENS TM LANDSAT 5
VARIABILIDADE ESPAÇO TEMPORAL DO IVDN NO MUNICIPIO DE ÁGUAS BELAS-PE COM BASE EM IMAGENS TM LANDSAT 5 Maurílio Neemias dos Santos 1, Heliofábio Barros Gomes 1,, Yasmim Uchoa da Silva 1, Sâmara dos Santos
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala [quinta-feira, 7:30 12:00] Atendimento Segunda
Leia maisCOMPARAÇÃO ENTRE CLASSIFICADOR ESTATÍSTICO (MAXIMA VEROSSIMILHANÇA) E NÃO ESTATÍSTICO (REDES NEURAIS) VARIANDO O NÚMERO DE CLASSES INFORMACIONAIS
COMPARAÇÃO ENTRE CLASSIFICADOR ESTATÍSTICO (MAXIMA VEROSSIMILHANÇA E NÃO ESTATÍSTICO (REDES NEURAIS VARIANDO O NÚMERO DE CLASSES INFORMACIONAIS Leonardo Campos de Assis Giuliano Sant Anna Marotta Rômulo
Leia maisDescoberta de Domínio Conceitual de Páginas Web
paper:25 Descoberta de Domínio Conceitual de Páginas Web Aluno: Gleidson Antônio Cardoso da Silva gleidson.silva@posgrad.ufsc.br Orientadora: Carina Friedrich Dorneles dorneles@inf.ufsc.br Nível: Mestrado
Leia maisPrograma Integrado de Monitoria Remota de Fragmentos Florestais e Crescimento Urbano no Rio de Janeiro
Programa Integrado de Monitoria Remota de Fragmentos Florestais e Crescimento Urbano no Rio de Janeiro Relatório Trimestral de Atividades Abril / Maio / Junho de 2010 Índice 1. Apresentação...3 2. Fotogrametria...4
Leia maisComplemento II Noções Introdutória em Redes Neurais
Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações
Leia maisMONITORAMENTO DA TEMPERATURA DE SUPERFÍCIE EM ÁREAS URBANAS UTILIZANDO GEOTECNOLOGIAS
MONITORAMENTO DA TEMPERATURA DE SUPERFÍCIE EM ÁREAS URBANAS UTILIZANDO GEOTECNOLOGIAS Erika Gonçalves Pires 1, Manuel Eduardo Ferreira 2 1 Agrimensora, Professora do IFTO, Doutoranda em Geografia - UFG,
Leia maisMundoGEOXperience - Maratona de Ideias Geográficas 07/05/2014
MundoGEOXperience - Maratona de Ideias Geográficas 07/05/2014 ANÁLISE DE TÉCNICAS PARA DETECÇÃO DE MUDANÇA UTILIZANDO IMAGENS DO SENSORIAMENTO REMOTO DESLIZAMENTOS EM NOVA FRIBURGO/RJ EM 2011 Trabalho
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA
UNIVERSIDADE FEDERAL DE SANTA CATARINA CIÊNCIAS DA COMPUTAÇÃO MÁQUINAS DE COMITÊ APLICADAS À FILTRAGEM DE SPAM Monografia submetida à UNIVERSIDADE FEDERAL DE SANTA CATARINA para a obtenção do grau de BACHAREL
Leia maisIntrodução ao Sensoriamento Remoto. Sensoriamento Remoto
Introdução ao Sensoriamento Remoto Sensoriamento Remoto Definição; Breve Histórico; Princípios do SR; Espectro Eletromagnético; Interação Energia com a Terra; Sensores & Satélites; O que é Sensoriamento
Leia maisAnálise das técnicas de fusão de imagens aplicadas ao satélite CBERS-2B (CCD-HRC) Claudinei Rodrigues de Aguiar¹ Danielli Batistella¹
Análise das técnicas de fusão de imagens aplicadas ao satélite CBERS-2B (CCD-HRC) Claudinei Rodrigues de Aguiar¹ Danielli Batistella¹ 1 Universidade Tecnológica Federal do Paraná - UTFPR Via do Conhecimento,
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA
PONTIFÍCIA UNIVERSIDADE CATÓLICA DO RIO DE JANEIRO DEPARTAMENTO DE INFORMÁTICA PÓS GRADUAÇÃO EM INFORMÁTICA INF2608 FUNDAMENTOS DE COMPUTAÇÃO GRÁFICA RELATÓRIO: IMAGENS SÍSMICAS VISUALIZAÇÃO E DETECÇÃO
Leia maisProcessamento de Imagem. Prof. Herondino
Processamento de Imagem Prof. Herondino Sensoriamento Remoto Para o Canada Centre for Remote Sensing - CCRS (2010), o sensoriamento remoto é a ciência (e em certa medida, a arte) de aquisição de informações
Leia maisClassificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores
Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr. Nelson Delfino d Ávila Mascarenhas Apresentação Objetivos
Leia maisANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD
ANÁLISE DA CONSERVAÇÃO PÓS-COLHEITA DA ALFACE (Lactuca Sativa, L) UTILIZANDO O SISTEMA DE APOIO À TOMADA DE DECISÃO BKD RESUMO Thereza P. P. Padilha Fabiano Fagundes Conceição Previero Laboratório de Solos
Leia maisCLASSIFICAÇÃO DE IMAGENS CBERS DA BACIA DO SÃO FRANCISCO USANDO MAPAS AUTO-ORGANIZADOS DE KOHONEN E CLASSIFICADORES FUZZY C-MÉDIAS
CLASSIFICAÇÃO DE IMAGENS CBERS DA BACIA DO SÃO FRANCISCO USANDO MAPAS AUTO-ORGANIZADOS DE KOHONEN E CLASSIFICADORES FUZZY C-MÉDIAS CECÍLIA CORDEIRO DA SILVA 1 WELLINGTON PINHEIRO DOS SANTOS 2 1 Universidade
Leia mais17/10/2012. dados? Processo. Doutorado em Engenharia de Produção Michel J. Anzanello. Doutorado EP - 2. Doutorado EP - 3.
Definição de Data Mining (DM) Mineração de Dados (Data Mining) Doutorado em Engenharia de Produção Michel J. Anzanello Processo de explorar grandes quantidades de dados à procura de padrões consistentes
Leia maisCálculo de volume de objetos utilizando câmeras RGB-D
Cálculo de volume de objetos utilizando câmeras RGB-D Servílio Souza de ASSIS 1,3,4 ; Izadora Aparecida RAMOS 1,3,4 ; Bruno Alberto Soares OLIVEIRA 1,3 ; Marlon MARCON 2,3 1 Estudante de Engenharia de
Leia mais044.ASR.SRE.16 - Princípios Físicos do Sensoriamento Remoto
Texto: PRODUTOS DE SENSORIAMENTO REMOTO Autor: BERNARDO F. T. RUDORFF Divisão de Sensoriamento Remoto - Instituto Nacional de Pesquisas Espaciais São José dos Campos-SP - bernardo@ltid.inpe.br Sensoriamento
Leia maisDEPARTAMENTO DE MATEMÁTICA E CIÊNCIAS EXPERIMENTAIS - Grupo 550 INFORMÁTICA Planificação Anual /Critérios de avaliação
DOMÍNIOS (Unidades) UNIDADE 1 INTRODUÇÃO À PROGRAMAÇÃO Introdução Conteúdos Objetivos Estratégias/ recursos Conceitos fundamentais Teste e controlo de erros em algoritmia Estruturas de controlo Arrays
Leia maisRECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP
RECONHECIMENTO DE PLACAS DE AUTOMÓVEIS ATRAVÉS DE CÂMERAS IP Caio Augusto de Queiroz Souza caioaugusto@msn.com Éric Fleming Bonilha eric@digifort.com.br Gilson Torres Dias gilson@maempec.com.br Luciano
Leia maisUTILIZAÇÃO DO ALGORITMO SVM (SUPPORT VECTOR MACHINE) E ÁRVORES DE DECISÃO PARA CLASSIFICAÇÃO DE IMAGENS DE ALTA RESOLUÇÃO DO SENSOR ADS-40.
VI Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 24-25 de agosto de 2016. UTILIZAÇÃO DO ALGORITMO SVM (SUPPORT VECTOR MACHINE) E ÁRVORES DE DECISÃO PARA CLASSIFICAÇÃO
Leia maisIV Simpósio Brasileiro de Ciências Geodésicas e Tecnologias da Geoinformação Recife - PE, 06-09 de Maio de 2012 p. 001-005
p. 001-005 GEOPROCESSAMENTO APLICADO A ANÁLISE TEMPORAL DO USO E OCUPAÇÃO DA TERRA MEDIANTE CLASSIFICAÇÃO DIGITAL, NO PARQUE ESTADUAL DE VILA VELHA, ENTRE 1979-2010. RODRIGO MARENDA SELMA REGINA ARANHA
Leia maisFigura 5.1.Modelo não linear de um neurônio j da camada k+1. Fonte: HAYKIN, 2001
47 5 Redes Neurais O trabalho em redes neurais artificiais, usualmente denominadas redes neurais ou RNA, tem sido motivado desde o começo pelo reconhecimento de que o cérebro humano processa informações
Leia mais7.Conclusão e Trabalhos Futuros
7.Conclusão e Trabalhos Futuros 158 7.Conclusão e Trabalhos Futuros 7.1 Conclusões Finais Neste trabalho, foram apresentados novos métodos para aceleração, otimização e gerenciamento do processo de renderização
Leia maisCLASSIFICAÇÃO DE IMAGENS
CLASSIFICAÇÃO DE IMAGENS SIG Profa.. Dra. Maria Isabel Castreghini de Freitas ifreitas@rc.unesp.br Profa. Dra. Andréia Medinilha Pancher medinilha@linkway.com.br O que é classificação? É o processo de
Leia maisÁrvore Binária SVM Otimizada na Classificação de Imagem Hiperespectral. Diego Bonesso 1 Vitor Haertel 1
Árvore Binária SVM Otimizada na Classificação de Imagem Hiperespectral. Diego Bonesso 1 Vitor Haertel 1 1 Universidade Federal do Rio Grande do Sul - UFRGS/PPGSR Caixa Postal 15044-91501-970 Porto Alegre
Leia maisReconhecimento de Padrões. Reconhecimento de Padrões
Reconhecimento de Padrões 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Escola Superior de Tecnologia Engenharia Informática Reconhecimento de Padrões Prof. João Ascenso e Prof.
Leia maisANÁLISE DE MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA APLICADA AO DESMATAMENTO NO MUNICÍPIO DE MARABÁ UTILIZANDO IMAGENS CCD - CBERS
V Co ló qu i o B ra si l ei ro d e Ci ên ci a s Geo d ési ca s ISSN 1981-6251, p. 910-914 ANÁLISE DE MÉTODOS DE CLASSIFICAÇÃO SUPERVISIONADA APLICADA AO DESMATAMENTO NO MUNICÍPIO DE MARABÁ UTILIZANDO IMAGENS
Leia maisReconhecimento de Padrões Utilizando Filtros Casados
Detecção e estimação de sinais Reconhecimento de Padrões Utilizando Filtros Casados Aline da Rocha Gesualdi Mello, José Manuel de Seixas, Márcio Portes de Albuquerque, Eugênio Suares Caner, Marcelo Portes
Leia maisProcessamento digital de imagens. introdução
Processamento digital de imagens introdução Imagem digital Imagem digital pode ser descrita como uma matriz bidimensional de números inteiros que corresponde a medidas discretas da energia eletromagnética
Leia maisSISTEMA DE SAÚDE E EXPANSÃO URBANA: ANÁLISE E MAPEAMENTO DO MUNICÍPIO DE LEME/SP
SISTEMA DE SAÚDE E EXPANSÃO URBANA: ANÁLISE E MAPEAMENTO DO MUNICÍPIO DE LEME/SP GUILHERME OTÁVIO GALLO¹ e RÚBIA GOMES MORATO² g.guilhermegallo@gmail.com, rubiagm@gmail.com ¹ Bolsista Iniciação Científica
Leia maisCLASSIFICAÇÃO ORIENTADA A OBJETOS PELO ALGORITMO SUPPORT VECTOR MACHINE DE IMAGEM RAPIDEYE
CLASSIFICAÇÃO ORIENTADA A OBJETOS PELO ALGORITMO SUPPORT VECTOR MACHINE DE IMAGEM RAPIDEYE Dinameres Aparecida Antunes 1, Kelly Lais Wiggers 2, Selma Regina Aranha Ribeiro 3 1 Geógrafo, Mestranda do Programa
Leia maisUNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS
UNIVERSIDADE FEDERAL DE SANTA CATARINA GRADUAÇÃO EM SISTEMAS DE INFORMAÇÃO DEPARTAMENTO DE INFORMÁTICA E ESTATÍSTICA DATA MINING EM VÍDEOS VINICIUS DA SILVEIRA SEGALIN FLORIANÓPOLIS OUTUBRO/2013 Sumário
Leia maisDeterminação de data de plantio da cultura da soja no estado do Paraná por meio de composições decendiais de NDVI
Determinação de data de plantio da cultura da soja no estado do Paraná por meio de composições decendiais de NDVI Gleyce K. Dantas Araújo 1, Jansle Viera Rocha 2 1 Tecª Construção Civil, Mestranda Faculdade
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 12 Aprendizado de Máquina Agentes Vistos Anteriormente Agentes baseados em busca: Busca cega Busca heurística Busca local
Leia maisManual de Utilização
SisCob Manual de Utilização Empresa Brasileira de Pesquisa Agropecuária Embrapa Instrumentação Agropecuária Ministério da Agricultura, Pecuária e Abastecimento SisCob: Manual de Utilização Lúcio André
Leia maisUTILIZANDO O SOFTWARE WEKA
UTILIZANDO O SOFTWARE WEKA O que é 2 Weka: software livre para mineração de dados Desenvolvido por um grupo de pesquisadores Universidade de Waikato, Nova Zelândia Também é um pássaro típico da Nova Zelândia
Leia maisUma Heurística para o Problema de Redução de Padrões de Corte
Uma Heurística para o Problema de Redução de Padrões de Corte Marcelo Saraiva Limeira INPE/LAC e-mail: marcelo@lac.inpe.br Horacio Hideki Yanasse INPE/LAC e-mail: horacio@lac.inpe.br Resumo Propõe-se um
Leia maisCOMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS
COMPARAÇÃO DOS MÉTODOS DE SEGMENTAÇÃO DE IMAGENS OTSU, KMEANS E CRESCIMENTO DE REGIÕES NA SEGMENTAÇÃO DE PLACAS AUTOMOTIVAS Leonardo Meneguzzi 1 ; Marcelo Massoco Cendron 2 ; Manassés Ribeiro 3 INTRODUÇÃO
Leia maisESTUDO DE CASO: LeCS: Ensino a Distância
ESTUDO DE CASO: LeCS: Ensino a Distância HERMOSILLA, Lígia Docente da Faculdade de Ciências Jurídicas e Gerenciais de Garça FAEG - Labienópolis - CEP 17400-000 Garça (SP) Brasil Telefone (14) 3407-8000
Leia maisProduto 1. Mapas e figuras georreferenciadas contendo cicatrizes de queimadas para as regiões de interesse no Cerrado
Produto 1. Mapas e figuras georreferenciadas contendo cicatrizes de queimadas para as regiões de interesse no Cerrado Outubro de 2014 0 ARTURO EMILIANO MELCHIORI MAPAS E FIGURAS GEORREFERENCIADOS CONTENDO
Leia maisUSO DO MATLAB NA GERAÇÃO DE IMAGEM SINTÉTICA COM MENOR PROPORÇÃO DE NUVEM
p.001 de 005 USO DO MATLAB NA GERAÇÃO DE IMAGEM SINTÉTICA COM MENOR PROPORÇÃO DE NUVEM JOSÉ ARIMATÉIA BARROSO NETO ANA LÚCIA BEZERRA CANDEIAS Universidade Federal de Pernambuco - UFPE Centro de Tecnologia
Leia maisUNIVERSIDADE F EDERAL DE P ERNAMBUCO ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO
UNIVERSIDADE F EDERAL DE P ERNAMBUCO GRADUAÇÃO EM CIÊNCIA DA COMPUTAÇÃO CENTRO DE INFORMÁTICA 2010.2 ANÁLISE DE UM MÉTODO PARA DETECÇÃO DE PEDESTRES EM IMAGENS PROPOSTA DE TRABALHO DE GRADUAÇÃO Aluno!
Leia maisMLP (Multi Layer Perceptron)
MLP (Multi Layer Perceptron) André Tavares da Silva andre.silva@udesc.br Roteiro Rede neural com mais de uma camada Codificação de entradas e saídas Decorar x generalizar Perceptron Multi-Camada (MLP -
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Algoritmo k Means Mestrado/Doutorado em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUCPR) 2 Problema do Agrupamento Seja x = (x 1, x 2,,
Leia maisAvaliando o que foi Aprendido
Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função
Leia maisAPLICAÇÃO DE MÉTODOS HEURÍSTICOS EM PROBLEMA DE ROTEIRIZAÇÃO DE VEICULOS
APLICAÇÃO DE MÉTODOS HEURÍSTICOS EM PROBLEMA DE ROTEIRIZAÇÃO DE VEICULOS Bianca G. Giordani (UTFPR/MD ) biancaggiordani@hotmail.com Lucas Augusto Bau (UTFPR/MD ) lucas_bau_5@hotmail.com A busca pela minimização
Leia maisRedes Neurais. A IA clássica segue o paradigma da computação simbólica
Abordagens não simbólicas A IA clássica segue o paradigma da computação simbólica Redes Neurais As redes neurais deram origem a chamada IA conexionista, pertencendo também a grande área da Inteligência
Leia maisAprendizagem de Máquina
Aprendizagem de Máquina Professor: Rosalvo Ferreira de Oliveira Neto Disciplina: Inteligência Artificial Tópicos 1. Definições 2. Tipos de aprendizagem 3. Paradigmas de aprendizagem 4. Modos de aprendizagem
Leia maisProcessamento de Imagem. Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com
Processamento de Imagem Prof. MSc. André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Visão Computacional Não existe um consenso entre os autores sobre o correto escopo do processamento de imagens, a
Leia maisUniversidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados
Universidade Tecnológica Federal do Paraná UTFPR Programa de Pós-Graduação em Computação Aplicada Disciplina de Mineração de Dados Prof. Celso Kaestner Poker Hand Data Set Aluno: Joyce Schaidt Versão:
Leia maisClassificação de bioma caatinga usando Support Vector Machines (SVM)
Classificação de bioma caatinga usando Support Vector Machines (SVM) Beatriz Fernandes Simplicio Sousa Adunias dos Santos Teixeira Francisco de Assis Tavares Ferreira da Silva 2 Universidade Federal do
Leia maisRedes Neurais Artificiais (RNA) aplicadas à classificação de áreas cafeeiras na região de Três Pontas-MG
Anais XV Simpósio Brasileiro de Sensoriamento Remoto - SBSR, Curitiba, PR, Brasil, 30 de abril a 05 de maio de 2011, INPE p.7603 Redes Neurais Artificiais (RNA) aplicadas à classificação de áreas cafeeiras
Leia maisAula 1 Professor Waterloo Pereira Filho Docentes orientados: Daniela Barbieri Felipe Correa
Princípios Físicos do Sensoriamento Remoto Aula 1 Professor Waterloo Pereira Filho Docentes orientados: Daniela Barbieri Felipe Correa O que é Sensoriamento Remoto? Utilização conjunta de sensores, equipamentos
Leia maisQUADRADO MÁGICO - ORDEM 4
CONCEITO Partindo da definição original, os QUADRADOS MÁGICOS devem satisfazer três condições: a) tabela ou matriz quadrada (número de igual ao número de ); b) domínio: com elementos assumindo valores
Leia maisRevista Hispeci & Lema On Line ano III n.3 nov. 2012 ISSN 1980-2536 unifafibe.com.br/hispecielemaonline Centro Universitário UNIFAFIBE Bebedouro-SP
Reconhecimento de face utilizando banco de imagens monocromáticas e coloridas através dos métodos da análise do componente principal (PCA) e da Rede Neural Artificial (RNA) [Recognition to face using the
Leia maisFILTRAGEM NO DOMÍNIO DAS FREQUÊNCIAS (TRANSFORMADA DE FOURIER) Daniel C. Zanotta 04/06/2015
FILTRAGEM NO DOMÍNIO DAS FREQUÊNCIAS (TRANSFORMADA DE FOURIER) Daniel C. Zanotta 04/06/2015 FREQUÊNCIA EM IMAGENS DIGITAIS Análise da intensidade dos NCs da imagem Banda 7 Landsat TM ao longo da distância:
Leia maisXV COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS IBAPE/SP 2009
XV COBREAP CONGRESSO BRASILEIRO DE ENGENHARIA DE AVALIAÇÕES E PERÍCIAS IBAPE/SP 2009 ANÁLISE COMPARATIVA DOS USOS DO SOLO UTILIZANDO IMAGENS ORBITAIS COM DIFERENTES RESOLUÇÕES ESPACIAIS. JUSSARA D'AMBROSIO
Leia maisUFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS
UFGD FCA PROF. OMAR DANIEL BLOCO 4 PROCESSAMENTO DE IMAGENS Executar as principais técnicas utilizadas em processamento de imagens, como contraste, leitura de pixels, transformação IHS, operações aritméticas
Leia maisTópicos em Meio Ambiente e Ciências Atmosféricas
INPE-13139-PRE/8398 SENSORIAMENTO REMOTO Tania Sausen Tópicos em Meio Ambiente e Ciências Atmosféricas INPE São José dos Campos 2005 MEIO AMBIENTE E CIÊNCIAS ATMOSFÉRICAS 8 Sensoriamento Remoto Tania Sauzen
Leia maisReconhecimento das Configurações de Mão da LIBRAS a Partir de Malhas 3D
Reconhecimento das Configurações de Mão da LIBRAS a Partir de Malhas 3D Andres Jessé Porfirio Orientador: Prof. Dr. Daniel Weingaertner Universidade Federal do Paraná Sumário Introdução Abordagem Baseada
Leia maisInteligência Computacional Aplicada a Engenharia de Software
Inteligência Computacional Aplicada a Engenharia de Software Estudo de caso III Prof. Ricardo de Sousa Britto rbritto@ufpi.edu.br Introdução Em alguns ambientes industriais, pode ser necessário priorizar
Leia maisEXTRACÇÃO DE SOMBRA A PARTIR DE IMAGENS DE SATÉLITE DE ALTA RESOLUÇÃO
EXTRACÇÃO DE SOMBRA A PARTIR DE IMAGENS DE SATÉLITE DE ALTA RESOLUÇÃO Classificação Não Supervisionada, Reclassificação de Imagem e Classificação Orientada a Segmento Morna Nandaia Ricardo Silva SUMÁRIO
Leia maisDetecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy.
Detecção de mudanças em imagens oriundas de sensoriamento remoto, usando conjuntos fuzzy. Marcelo Musci Baseado no artigo: Change detection assessment using fuzzy sets and remotely sensed data: an application
Leia mais