Identificação de Produtos por Imagem Utilizando o Algoritmo SURF
|
|
- Evelyn Marques Jardim
- 6 Há anos
- Visualizações:
Transcrição
1 Identificação de Produtos por Imagem Utilizando o Algoritmo SURF Um Comparativo Entre Redes Perceptron Multicamadas e Máquinas de Vetor de Suporte Guilherme Defreitas Juraszek, Alexandre Gonçalves Silva Departamento de Ciência da Computação (DCC) Universidade do Estado de Santa Catarina (UDESC) Joinville, SC - Brasil guilherme.defreitas@gmail.com, alexandre@joinville.udesc.br Milton Roberto Heinen Departamento de Ciência da Computação Universidade Federal do Pampa (UNIPAMPA) Bagé, RS - Brasil milton.heinen@unipampa.edu.br Resumo Este artigo descreve o processo de identificação de produtos utilizando extração de características através do algoritmo SURF, redução da dimensionalidade dos descritores utilizando contagem de frequência e classificação com algoritmos de aprendizado supervisionado rede perceptron multicamadas (MLP) e máquinas de vetor de suporte (SVM). A rede MLP demonstrou melhores resultados com uma taxa de acerto de 84.73% enquanto a SVM utilizando um kernel linear apresentou 81.30%. Abstract This paper describes the process of products identification using features extraction with SURF algorithm, dimensionality reduction using a reference count approach and classification comparing multilayer perceptron networks (MLP) and support vector machines (SVM). The MLP had a better result with a success rate of 84.73% while the SVM with a linear kernel presented 81.30%. Keywords Image Classification. Multilayer perceptron networks. Support Vector Machines I. INTRODUÇÃO Com o crescimento no volume de informação digital disponível cresce também a necessidade de ferramentas que facilitem a busca por tais informações relevantes em base de dados cada vez maiores. Informações textuais são adicionadas diariamente em redes sociais, blogs e sites de comércio eletrônico. Mecanismos de extração e busca destes conteúdos baseados em texto são amplamente empregados mas quando se trata de busca baseada em conteúdo a partir de uma imagem não existem tantas opções. A popularização de equipamentos como câmeras e celulares equipados com câmeras resultou em um grande volume de informações no formato de imagens e vídeos disponibilizadas na internet. A realização de buscas utilizando linguagem natural, geolocalização e preferencias personalizadas já são uma realidade nos smartphones atuais. O objetivo deste artigo é avaliar os resultados da classificação de produtos por imagem utilizando, de forma combinada, o algoritmo SURF, a redução de dimensionalidade utilizando contagem de frequência e a classificação por meio de de redes neurais MLP e máquinas de vetor de suporte. Dentre as aplicações disponíveis estão a localização de informações adicionais de produtos com base em uma foto da embalagem, identificação de pontos turísticos, obtenção de informações adicionais sobre produtos ou serviços a partir de uma imagem de um outdoor ou propaganda impressa em revista entre outras. Este artigo está organizado da seguinte forma: na seção II são apresentados os trabalhos relacionados, o algoritmo SURF e as técnicas de aprendizado supervisionado redes perceptron multicamadas (MLP) e máquinas de vetor de suporte (SVM). Na seção II é detalhada a abordagem utilizada para reduzir a dimensionalidade dos dados obtidos através da extração dos descritores com o SURF utilizando contagem de frequências. Na seção IV, a metodologia para realização e avaliação do experimento é detalhada. Na seção V são descritos o sistema proposto e as configurações relacionadas ao experimento. Na seção VI é apresentado o resultado dos dados obtidos no processamento do algoritmo proposto. Ao final do trabalhos são apresentadas as observações e a conclusão. II. TRABALHOS RELACIONADOS A busca por conteúdo em imagens é um assunto de grande interesse por grandes empresas no setor de mecanismos de buscas na internet. Liu et al [1] descreve em seu artigo um algoritmo para a criação de agrupamentos (clusters) contendo milhares de imagens semelhantes utilizando k-nearest neighbour. Além da utilização de informações retiradas da própria imagem, os mecanismos de busca utilizam informações sobre a credibilidade da página na qual a imagem está inserida, adquirida através do conteúdo textual, atualizações, links de referências entre outros fatores como um importante indicativo no agrupamento de imagens e retorno de buscas [2]. Além de auxiliar na busca por imagens em uma pesquisa, algumas técnicas de agrupamento e identificação de padrões são usadas com o objetivo de identificar e remover conteúdo adulto dos resultados das buscas. Esta análise leva em consideração questões como a coloração da pele e detecção de
2 rostos. A classificação ocorre, particularmente no trabalho [3], por uma máquina de vetores de suporte treinada com os dados extraídos das imagens. Diferentes requisitos e características das imagens do domínio trabalhado podem resultar na utilização de técnicas diferentes para extração das características e classificação. Diante do intenso dinamismo encontrado na internet onde conteúdos são atualizados a cada instante, alguns trabalhos sugerem a utilização de técnicas de aprendizado incrementais onde o algoritmo melhora o seu desempenho conforme novas imagens vão sendo adicionadas no decorrer do tempo sem a necessidade de realizar uma análise total em toda a base de dados. Tavares [4] demonstra a utilização de um classificador baseado na floresta de caminhos ótimos utilizando realimentação por relevância na recuperação de imagens por conteúdo de maneira eficiente e eficaz. Um bom algoritmo de identificação de pontos de interesse deve ser capaz de reconhecer e extrair descritores que são invariáveis a iluminação, rotação, escala e translação do objeto a ser identificado na imagem. A. SIFT Scale Invariant Feature Transform O algoritmo SIFT consiste em um método para extração de características distintas e invariantes para o reconhecimento de pontos em um objeto em imagens de diferentes ângulos. Os descritores extraídos são invariantes a escala e rotação e possuem uma boa tolerância a ruídos, distorções decorrentes de diferentes perspectivas e mudanças de iluminação [5]. Lowe descreve ainda uma abordagem para identificação de objetos utilizando um comparativo com um banco de descritores extraídos de outras imagens usando um algoritmo de vizinhos próximos, visto que os descritores extraídos de uma imagem são altamente discriminantes. A implementação do algoritmo é dividida em duas partes, o detector e o descritor. As etapas de processamento são: Detecção de extremos: Nesta etapa o algoritmo identifica possíveis pontos de interesse utilizando a função de diferença de Gaussianas aplicadas à diversas escalas da imagem. Este procedimento permite encontrar pontos de interesse invariantes a escala e orientação. Localização de pontos chave: Para cada candidato encontrado na etapa anterior são determinadas a localização, escala e métricas de estabilidade para a escolha dos pontos mais estáveis. Atribuição de orientação: Uma ou mais orientações são atribuídas a cada ponto chave escolhido de acordo com o gradiente local da imagem. Extração do descritor: Os gradiente locais ao redor do ponto de interesse são mensurados e uma representação simplificada é extraída. B. FAST - Features from Accelerated Segment Test FAST é um algoritmo de detecção de cantos proposto com o objetivo de identificar pontos chaves em imagens com uma velocidade superior ao do SIFT. Não possui informações sobre a orientação dos descritores e é altamente sensível a ruídos [6]. O algoritmo propõe uma melhora de desempenho utilizando aprendizado de máquina e criação de uma árvore de decisão. C. ORB - Oriented Fast and Rotated Brief O algoritmo ORB foi proposto por Rublee [7] como um possível candidato para substituição do SIFT em ambientes de baixo poder de processamento ou aplicações que necessitem de processamento em tempo real. O ORB é invariante a rotação e possui um bom grau de tolerância a ruídos na imagem. O algoritmo utiliza as técnicas FAST e BRIEF [8] realizando algumas melhorias como a adição de informações de orientação, resolvendo um dos pontos fracos do BRIEF original que é a falta de invariância em rotações. Um dos principais problemas descritos pelo autor é a falta de robustez do algoritmo em relação a variações de escala. D. MSER Maximally Stable External Regions Algoritmo proposto por Matas et al. [9] propõe o desenvolvimento de um método robusto diante de mudanças de perspectiva. Originalmente utilizado para detecção de características e alinhamento de imagens estéreo. O algoritmo localiza pontos extremos na imagem buscando identificar regiões conexas da imagem a partir da intensidade do brilho dos pixels. O algoritmo aplica limiares de diferentes valores considerando e detecta regiões de bordas com grande variação de intensidade. E. SURF Speed-Up Robust Features O algoritmo proposto por Herbert Bay et al. [10] é inspirado no SIFT, porém com o objetivo de ser rápido na extração e comparação de características. O SURF utiliza apenas características de imagens de tons de cinza, ou seja, não utiliza qualquer informação relacionada as cores da imagem. Assim como o SIFT o algoritmo SURF consiste em duas etapas, a primeira de localização dos pontos de interesse e a segunda de descrição deste ponto de interesse em um vetor de características que seja invariante às propriedades anteriormente mencionadas. O SURF extrai os pontos de interesse com base na variação das tonalidades da imagem (textura) utilizando as derivadas parciais das mudanças de valores em um relevo nos eixos horizontal e vertical para formar a matriz Hessiana. A determinante da matriz Hessiana retorna um valor alto para regiões da imagem onde existe uma grande variação de tonalidade. O SURF difere do SIFT na utilização de uma aproximação mais simples para a obtenção da matriz Hessiana utilizando filtros caixa (box filters). Essa forma de aproximação em conjunto com a utilização do conceito de imagens integrais para a representação da imagem possibilitam o cálculo de forma mais eficiente. As demais etapas de localização de pontos máximos em várias escalas utilizando pirâmides e a seleção dos pontos máximos através da análise conjunta com imagens em escalas vizinhas acontecem de forma semelhante ao SIFT. Com o objetivo de extrair características invariantes a rotação, o algoritmo determina a orientação das variações de tonalidade realizando
3 convoluções em uma área ao redor do ponto de interesse. O raio da área analisada esta relacionado à qual escala em que o ponto de interesse foi localizado na pirâmide de escalas da etapa anterior. Para extrair as informações que melhor descrevem esta área em volta do ponto de interesse o SURF utiliza convoluções usando o método Haar Wavelet. Após extrair as informações de orientação para cada subdivisão o resultado é um vetor contendo 64 posições com informações de orientação que descrevem o ponto de interesse. Como as informações deste vetor foram extraídas tendo como base a orientação do ponto de interesse, o mesmo padrão pode ser caso a imagem seja rotacionada. Após a extração dos pontos de interesse e dos descritores é necessário classificá-los. A forma mais simples é através da comparação por força bruta. Nesse método cada um dos descritores da imagem pesquisada é comparado com todos os descritores das imagens do banco utilizando alguma métrica de distância, como a Euclidiana, por exemplo, as imagens que apresentarem o maior número de características próximas são consideradas imagens semelhantes. Apesar de apresentar bons resultados a comparação por força bruta possui a desvantagem de ser ineficiente pois o número de comparações necessárias cresce em função do tamanho do banco de imagens, quanto maior o banco, maior o número de comparações e mais demorada é a busca. Outra desvantagem é o fato de ser necessário o armazenamento dos dados de todos os descritores para a realização das buscas. Essas duas características limitam a aplicação desta técnica em ambientes de baixo processamento ou ambientes com um grande número de buscas simultâneas. Para evitar esses problemas é necessária a utilização de um classificador de aprendizagem das características das imagens, mas que após o aprendizado as buscas sejam realizadas com tempo linear e não necessite do conjunto completo dos dados dos descritores para execução, características estas que estão presentes nas redes neurais artificiais e máquinas de vetor de suporte. As redes neurais artificiais (RNA) são modelos matemáticos que se assemelham às estruturas biológicas e que tem capacidade computacional adquirida por meio de aprendizagem e generalização [11]. A arquitetura da rede é definida pela forma na qual os neurônios são organizados e conectados, como o número de camadas, tipo de conexão entre os neurônios e topologia de rede [12]. Sua utilização consiste em duas etapas, na primeira é realizado o treinamento da rede através de dados previamente classificados. Após o treinamento a rede por ser utilizada para classificação ou regressão. F. MLP Multilayer Perceptron As redes MLP se diferenciam das redes neurais simples pelo número de camas intermediárias como mostrado na Fig. 1. De acordo com Braga et al. [11], essa arquitetura possui uma ou mais camadas ocultas possibilitando a separação das classes de forma não linear. Os principais componentes são a camada de entrada, camada oculta ou intermediária e camada de saída. A camada de entrada é responsável por receber os dados, nela não acontece nenhum processamento, sendo os dados apenas repassados para as camadas subsequentes. A camada intermediária é composta por uma ou mais camadas com um ou mais nós (neurônios). Nesta camada é efetuado o processamento através de uma função de ativação. Esta função determina se o neurônio irá propagar a informação ou não com base nos estímulos recebidos da camada anterior multiplicado pelos pesos obtidos durante a etapa de treinamento. Os pesos representam o conhecimento da rede. A última camada é chamada de camada de saída e recebe as informações das camadas intermediárias e fornece a resposta. Fig. 1. Exemplo de rede neural MLP [10]. A etapa de treinamento é responsável por ajustar os pesos dos nós com base na avaliação da taxa de erro após o processamento de cada um dos dados de treinamento previamente classificados manualmente. Nas redes MLP é utilizado o algoritmo backpropagation para efetuar os ajustes destes pesos. Após o treinamento a rede pode ser utilizada para classificação. Caso seja incluída uma nova categoria nos dados de treinamento é necessário efetuar todo o treinamento da rede novamente [11]. G. SVM Support Vector Machines O Support Vector Machines (SVM) é um algoritmo de aprendizado supervisionado proposto por Vapnik [13]. O algoritmo infere, a partir de um conjunto de exemplos rotulados, uma função capaz de predizer os rótulos de novos exemplos desconhecidos. O algoritmo estabelece essa função linear com o objetivo de maximizar a margem entre os dados no hiperplano. Redes neurais artificiais convencionais estabelecem uma linha de divisão do hiperplano sem critério de distância entre as margens como mostrado na Fig. 2. Maximizando a margem probabilidade de classificar novos exemplos na categoria correta é melhor. Fig. 2. (a) Separação usando SVM (b) Separação usando RNA
4 Para determinar a reta ou o plano separador entre as classes, a SVM utiliza os próprios exemplos do treinamento que ficam localizados na fronteira entre as classes no hiperplano como referência. Esses exemplos de fronteira são chamados vetores de suporte. Para efetuar a classificação de novos exemplos é necessário apenas os vetores de suporte, sendo assim, os demais exemplos utilizados durante a etapa de treinamento podem ser descartados após a obtenção dos vetores. Apesar de aumentar a eficiência na classificação de dados linearmente separáveis no uso prático, sua utilização fica comprometida pois dificilmente os dados são separados de forma linear. Para tornar possível a separação dos dados não lineares de forma linear a SVM utiliza os kernels para efetuar manipulações nos dados tornando-os linearmente separáveis. A utilização correta dos kernel exige um conhecimento da distribuição dos dados. Existem diversos tipos de kernel disponíveis, entre eles estão o linear, polinomial, gaussiano ou radial e sigmoid. III. ALGORITMO PROPOSTO Para um reconhecimento robusto de imagens é necessário que as características comparadas possuam invariância a mudanças de iluminação, rotação, escala e tolerância a ruídos e oclusões. A literatura descreve vários algoritmos desenvolvidos com o objetivo de suprir essas necessidades como o SIFT [5], ORB [7], FAST [6], MSER [9] e SURF [10]. Nem todos possuem invariância a todas as propriedades. Outra dificuldade é o fato de que apesar de o tamanho do vetor de características ser fixo, a quantidade de pontos de interesse detectados variam de imagem para imagem, resultando em um vetor de tamanho variável. Apesar do SURF possuir um descritor menor do que o SIFT, utilizá-lo para entrada em uma rede neural é inviável pois o vetor de características resultante é muito grande. Um exemplo de uma imagem que tenha encontrado 100 pontos de interesse, sendo que cada ponto de interesse é descrito com um vetor de 64 posições, o resultado é um vetor com 6400 posições. As redes MLP e as SVM necessitam de uma entrada com o número de vetores de características fixo para processamento, impossível de ser obtido dada a natureza dinâmica da obtenção dos pontos de interesse. Para resolver este problema foi adotada uma estratégia de contagem de frequência a partir das características obtidas apenas dos pontos de interesse, descartando os descritores da imagem. Cada ponto de interesse possui as seguintes propriedades: Ângulo de orientação: Número que define o grau de orientação predominante das variações do ponto de interesse. Tamanho: Tamanho de escala da imagem onde o ponto de interesse foi encontrado. Outras informações como a oitava e as coordenadas do ponto de interesse na imagem também são obtidos, mas não são utilizados em nosso algoritmo. Após a obtenção dos pontos de interesse através do processamento do algoritmo SURF é realizada a contagem de frequência para a criação de um histograma com a quantidade de ocorrências em intervalos determinados. No caso do ângulo de orientação, os valores possíveis variam de 0 a 360 e foram distribuídos pela quantidade de ocorrências referentes à intervalos de 10 em 10. O vetor resultante consiste em 36 posições onde cada posição representa a quantidade de ocorrências nos intervalos 0 a 10, 10 a 20, 20 a 30 e assim por diante até 360. No caso do segundo parâmetro analisado, o tamanho, foi definido um vetor de 20 posições que representam a quantidade de ocorrências de tamanhos em intervalos de 10 em 10, sendo de 0 a 10, 10 a 20, 20 a 30 até 200. Ao término cada imagem é representada por um vetor de 57 posições, as 36 representando as frequências dos ângulos mais as 20 representando as frequências dos tamanhos e mais a categoria a qual pertence, conforme demonstrado na Fig. 3. Fig. 3. Vetor de características proposto. Este vetor de características possui um tamanho compacto e fixo, características desejáveis para a utilização em RNA e SVM. IV. METODOLOGIA O experimento foi realizado utilizando uma base de imagens pré-segmentadas manualmente. A segmentação manual foi realizada com o objetivo de separar o objeto de interesse do restante da imagem. A separação é realizada através de um arquivo de máscara que demarca o local do objeto de interesse na imagem. Durante o processamento as imagens analisadas são subtraídas de suas máscaras resultando apenas na imagem do objeto de interesse. O experimento foi realizado com um subconjunto da base SIVAL 1 contendo 583 itens divididos em 15 categorias. Para avaliação dos resultados foram geradas estatísticas de erro utilizando a técnica de validação cruzada (k-fold cross-validation). A validação cruzada é uma técnica de validação estatística com o objetivo de estimar qual será a real precisão quando executado na prática. A técnica consiste em especificar uma quantidade de subgrupos (folds) na qual a base de treinamento será dividida. No processamento, um subgrupo é separado do total para ser usado como validação e o restante dos grupos são usados como treinamento. O processo se repete para cada um dos subgrupos. Ao final do processamento de cada grupo é coletada a taxa de erros e ao término do processamento de todos os subgrupos é efetuada a média das taxas de erros de todos os 1
5 processamentos. A vantagem deste método é que todos os dados são usados tanto para validação quanto para treinamento. Para a realização dos experimentos foi utilizado o valor 10 para subgrupos (folds) na realização da validação cruzada. Os resultados avaliados foram a taxa de erro. V. EXPERIMENTO O sistema desenvolvido para realização dos experimentos consiste em dois módulos, o primeiro de extração e o segundo de reconhecimento. A. Módulo de Extração O módulo de extração tem como objetivo efetuar o préprocessamento das imagens, extração das características e geração do arquivo com os vetores de características para posterior execução pelo módulo de reconhecimento. Este módulo foi desenvolvido utilizando as seguintes tecnologias: Linguagem de programação: C++ Bibliotecas auxiliares: OpenCV e QT O módulo é responsável por varrer recursivamente um diretório de imagens pré-segmentadas manualmente. A segmentação manual foi realizada com o objetivo de separar o objeto de interesse do restante da imagem. A separação é realizada através de um arquivo de máscara que demarca o local do objeto de interesse na imagem. Durante o processamento as imagens analisadas são subtraídas de suas máscaras resultando apenas na imagem do objeto de interesse. Ao término é gerado um arquivo XML contendo os valores brutos obtidos diretamente da detecção dos pontos de interesse pelo SURF. Em seguida é realizada a leitura deste arquivo XML e gerado o arquivo de treinamento contendo a representação por frequência utilizando o algoritmo explicado na seção III. Este arquivo já está no formato correto para leitura pela biblioteca utilizada no módulo de reconhecimento chamada Weka. Após a geração, o arquivo de treinamento é enviado para o módulo de reconhecimento que fica responsável por treinar o classificador (MLP ou SVM). Ao término do treinamento é possível utilizar o módulo de extração para realizar consultas utilizando outras imagens. Ao realizar uma consulta o módulo extrai as características da imagem consultada, gera a representação utilizando a distribuição por frequências e envia os dados para o módulo de reconhecimento que responde com a classe a qual a imagem consultada pertence. B. Módulo de Reconhecimento Este módulo é responsável pela implementação do reconhecimento utilizando os classificadores MLP e SVM. O módulo consiste em um executável independente do módulo de extração e funciona como um serviço, aguardando os comandos e dados enviados do módulo de extração e realizando o treinamento e execução de consultas. O módulo foi desenvolvido utilizando as seguintes tecnologias: 2 Linguagem de programação: Java Bibliotecas auxiliares: Weka e Apache Thrift Para facilitar a comunicação entre os módulos foi utilizada a biblioteca Apache Thrift que realiza os controles de comunicação, portas, protocolos, serialização e processamento das requisições de forma concorrente entre os módulos. Na etapa de treinamento o módulo recebe os dados contendo as informações das imagens de forma compacta e efetua o treinamento do classificador de acordo com o tipo informado, MLP ou SVM. A definição dos parâmetros de treinamento dos classificadores foram estabelecidos de forma empírica e não exaustiva. No classificador MLP foram utilizados os parâmetros demonstrados na Tabela I. TABELA I. Camadas escondidas PARÂMETROS UTILIZADOS NO CLASSIFICADOR MLP Taxa de aprendizagem Tempo de treinamento Momento Limiar de validação Para o classificador SVM foram realizados testes utilizando os kernels linear e polinomial, as demais configurações utilizaram os parâmetros padrões estabelecidos pela biblioteca. No módulo de reconhecimento também foi desenvolvida a função de validação utilizando cross-validation para a extração das estatísticas de erro utilizando 10 folds. I. RESULTADOS A utilização de redes MLP demonstrou o melhor desempenho classificando a base com 583 imagens divididas em 15 classes com 84.73% de sucesso. A utilização de SVM com kernel linear ficou em segundo lugar com 81.30% de sucesso na classificação. Com 75.30% a utilização de SVM com kernel polinomial foi a que apresentou o pior resultado conforme descrito na Tabela II. TABELA II. RESULTADO DO CROSS-VALIDATION 10 FOLD Classificador Taxa Taxa Correto Incorreto MLP 84.73% 15.26% SVM Linear 81.30% 18.69% SVM Polinomial 75.30% 24.69% Vale ressaltar que o tempo de execução nos testes revelou um desempenho superior das redes MLP, tanto para treinamento quanto para execução da validação e de consultas. A SVM apresentou um tempo de execução muito menor, sendo o seu treinamento, validações e consultas quase
6 instantâneas. Em ambientes onde existe a exigência de um grande volume de consultas ou possui uma capacidade de processamento reduzida é possível optar pela utilização da SVM abrindo mão de alguns pontos de precisão na hora da classificação. I. CONCLUSÃO A redução da dimensionalidade das informações dos pontos de interesse utilizando o algoritmo de contagem de frequências proposto, juntamente com a classificação utilizando redes neurais artificiais do tipo MLP, demonstrou uma taxa de sucesso de 84.73%. A classificação utilizando SVM com kernel linear demonstrou um resultado ligeiramente inferior com 81.30% de sucesso seguida pela utilização do kernel polinomial com 75%. No futuro é possível realizar um comparativo utilizando a mesma abordagem de redução de dimensionalidade usando contagem de frequências aplicada aos descritores. Também é possível efetuar um comparativo utilizando os diferentes descritores existentes como SIFT, ORB, MSER, BRICKS e FAST ou descritores que utilizam informações de cor como OpponentSift para determinar qual oferece o melhor resultado. Durante os testes foi observado que quanto maior o número de imagens por categoria na etapa de treinamento, melhor é a eficiência dos classificadores porém, imagens com ângulos de visão ou iluminação radicalmente diferentes entre as demais imagens de uma mesma categoria, os chamados outliers, devem ser tratados como uma categoria diferente pois confundem e degradam a eficiência dos classificadores como um todo. REFERÊNCIAS [1] LIU, T. Rosenberg, C. Rowley, H. A. (2007). Clustering Billions of Images with Large Scale Nearest Neighbor Search. In: IEEE Workshop on Applications of Computer Vision. [2] JING, Y. Baluja, S. (2008). PageRank for Product Image Search. In: Proceedings of the 17th international conference on World Wide Web. [3] ROWLEY, H. Jing; BALUJA, Y. S. (2006). Large Scale Image-Based Adult-Content Filtering. In: Conf. on Computer Vision Theory & Applications. [4] TAVARES, André. (2011). Recuperação de imagens por conteúdo baseada em realimentação de relevância e classificador por floresta de caminhos ótimos. Tese de Doutorado. Universidade Estadual de Campinas. [5] LOWE, D. (2004). Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision. Volume 60. Issue 2. Pages [6] ROSTEN, E.; Drummond, T. (2006) Machine learning for high-speed corner detection. In European Conference on Computer Vision. [7] RUBLEE, E. et al (2011). ORB: an efficient alternative to SIFT or SURF. In: IEEE International Conference on Computer Vision. [8] CALONDER, M.;LEPETIT, V.; STRECHA, C.; FUA, P. (2010) BRIEF: Binary Robust Independent Elementary Features. ECCV 10 Proceedings of the 11th European conference on Computer Vision: Part IV. Pages [9] MATAS, J. CHUM, O. URBAN, M. PAJDLA, T. (2004). Robust Wide Baseline Stereo from Maximally Stable External. Image and Vision Computer Vision. Elsevier. Volume 22. Issue 10. Pages [10] BAY, Herbert; TUYTELAARS, Tinne. Gool, Luc Van. SURF: Speeded Up Robust Features. Journal Computer Vision and Image Understanding. Volume 110. Issue 3. Pages [11] BRAGA, Antônio P.; CARVALHO, André P. de L. F.;LUDEMIR, Teresa B. Redes Neurais Artificiais: Teoria e aplicações. LTC, 1 edition, [12] HAYKIN S. Redes Neurais. Bookman, Porto Alegre, 2 edition, [13] VAPNIK, Vladimir; CORTES, Corinna. Support-vector networks. Kluwer Academic Publishers. Pages
Descritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
Leia maisDescritores de Imagem
Descritores de Imagem André Tavares da Silva 31 de março de 2014 1 Descritores de imagem (continuação) 1.1 Frameworks de detecção de objetos SIFT (scale-invariant features transform) (Lowe, 1999) SIFT
Leia maisImage Descriptors: local features
Image Descriptors: local features Image Processing scc0251 www.icmc.usp.br/ moacir moacir@icmc.usp.br ICMC/USP São Carlos, SP, Brazil 2011 Moacir Ponti Jr. (ICMCUSP) Image Descriptors: local features 2011
Leia maisFeature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior
Feature Description (SIFT + SURF) Prof. Dr. Geraldo Braz Junior Feature Detection 1. Encontre um conjunto de keypoints 2. Defina uma região ao redor do keypoint 3. Normalize a região 4. Extraia caracterísfcas
Leia maisVisão computacional. Juliana Patrícia Detroz Orientador: André Tavares Silva
Visão computacional Juliana Patrícia Detroz Orientador: André Tavares Silva Visão computacional Tentativa de replicar a habilidade humana da visão através da percepção e entendimento de uma imagem; Fazer
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 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 maisAnotador automático de placas de publicidade em vídeos esportivos
MAC0499 - Trabalho de Formatura Supervisionado Professor: Carlos Eduardo Ferreira Universidade de São Paulo Instituto de Matemática e Estatística Aluno: Ricardo Augusto Fernandes Orientador: Prof. Dr.
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 17 Support Vector Machines (SVM) Formas de Aprendizado Aprendizado Supervisionado Árvores de decisão. K-Nearest Neighbor
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 MÁQUINA DE VETOR DE SUPORTE (SUPPORT VECTOR MACHINES) Prof. Dr. André A. P. Biscaro 1º Semestre de 2017 Introdução Poderosa metodologia para resolver problemas de aprendizagem
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 maisRegion Based CNNs. Francisco Calaça Xavier. Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado. Instituto de Informática UFG
Region Based CNNs Francisco Calaça Xavier Programa de pós-graduação em Ciências da Computação Mestrado e Doutorado Instituto de Informática UFG Prof. Anderson Soares Agenda O problema Estado da arte R-CNN
Leia maisINF 1771 Inteligência Artificial
INF 1771 Inteligência Artificial Aula 14 Support Vector Machines (SVM) 2016.1 Prof. Augusto Baffa Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisMáquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino
Máquinas de Vetores de Suporte Aplicadas à Classificação de Defeitos em Couro Bovino Ricardo Cezar Bonfim Rodrigues 24 de abril de 2006 1 Antecedentes e Justificativa Hoje, em diversos processos industriais,
Leia maisObjetivos. 1. O método desenvolvido usa características de pares de pixeis para fazer estatísticas e formar
Introdução Comidas podem apresentar deformações e variações em sua forma, além de conter muitos ingredientes, nem todos visíveis; Métodos tradicionais de reconhecimento requerem a detecção de características
Leia maisDescritores de Imagem (exemplos)
Descritores de Imagem (exemplos) André Tavares da Silva andre.silva@udesc.br Baseado em Penatti (2009) e Silva (2011) Alguns exemplos Descritores baseados em cor Na literatura existem quatro abordagens
Leia maisAnálise do Uso de Descritores Locais e Classificadores no Reconhecimento de Cédulas de Real
III Escola Regional de Informática do Piauí. Livro Anais - Artigos e Minicursos, v. 1, n. 1, p. 218-223, jun, 2017. www.eripi.com.br/2017 - ISBN: 978-85-7669-395-6 Análise do Uso de Descritores Locais
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 maisDiego Martin Mancini Orientador: Prof. Paulo A. V. de Miranda Instituto de Matemática e Estatística Universidade de São Paulo
Estudo de comparação do descritor de imagens coloridas BIC empregando diferentes abordagens de classificação de detecção de bordas: Canny e Operador Laplaciano Diego Martin Mancini Orientador: Prof. Paulo
Leia maisProcessamento De Imagem. Descritores de Cor
Processamento De Imagem Descritores de Cor Cores Uma das propriedades mais importantes para visão humana. Muito usada em sistemas de recuperação de imagens, CBIRs. Taxonomia Global A informação de cor
Leia maisAplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo
Aplicação de Histograma de Gradientes Orientados para detecção de hidrômetros em imagens de fundo complexo Juliana Patrícia Detroz Professor: André Tavares da Silva Universidade do Estado de Santa Catarina
Leia maisRECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO
RECONHECIMENTO DE CARACTERES EM IMAGENS COM RUÍDO Fernanda Maria Sirlene Pio SUMARIO Introdução Trabalhos Relacionados Metodologia Experimentos Conclusão Referências 2 INTRODUÇÃO Reconhecimento de Padrões
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 maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
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 maisSUPPORT VECTOR MACHINE - SVM
SUPPORT VECTOR MACHINE - SVM Definição 2 Máquinas de Vetores Suporte (Support Vector Machines - SVMs) Proposto em 79 por Vladimir Vapnik Um dos mais importantes acontecimentos na área de reconhecimento
Leia maisSIFT - Scale Invariant Feature Transform
SIFT - Scale Invariant Feature Transform Daniel Pinto Coutinho Prof. Ricardo Marroquim 1 Introdução A detecção de pontos de interesse em uma figura é uma tarefa muito comum no campo de processamento de
Leia maisRedes Neurais (Inteligência Artificial)
Redes Neurais (Inteligência Artificial) Aula 13 Support Vector Machines (SVM) Edirlei Soares de Lima Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest
Leia maisRedes Neurais Convolucionais
André Gustavo Hochuli Orientadores: Dr. Luiz E. S. Oliveira/Dr. Alceu Britto Programa de Pós-Graduação em Informática Departamento de Informática UFPR Neurônio Artificial Redes Neurais - Vetor de Caracteristícas
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 maisDescritores de Imagem (introdução)
Descritores de Imagem (introdução) André Tavares da Silva andre.silva@udesc.br Roteiro da aula Definição de descritor de imagem Extração de Característica Tipos Geral x Específico Global (cor, textura,
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 maisAprendizagem de Máquina
Aprendizagem de Máquina Alessandro L. Koerich Programa de Pós-Graduação em Informática Pontifícia Universidade Católica do Paraná (PUCPR) Horários Aulas Sala 3 CCET [quinta-feira, 8:20 12:00] Atendimento
Leia maisClassificadores Lineares
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Classificadores Lineares David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Funções Discriminantes Lineares Perceptron Support
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 maisAprendizado de Máquina
Aprendizado de Máquina Principais tópicos Aprendizado profundo André C P L F de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Introdução Redes profundas Aprendizado profundo Redes autodecodificadoras
Leia maisSistema de Reconhecimento de Logotipos
Sistema de Reconhecimento de Logotipos Fellipe Duarte, Saulo T. Oliveira {duartefellipe,sto}@cos.ufrj.br Relatório Técnico, Introdução ao Processamento de Imagens Programa de Engenharia de Sistemas e Computação
Leia maisFace Recognition using RGB-D Images
Face Recognition using RGB-D Images Helder C. R. de Oliveira N.USP: 7122065 Polyana Nunes N.USP: 9043220 Sobre o Artigo Publication: 2013 IEEE Sixth International Conference Author(s) Goswami, G. (Índia
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 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 maisIntrodução ao Reconhecimento. Prof. Dr. Geraldo Braz Junior
Introdução ao Reconhecimento Prof. Dr. Geraldo Braz Junior O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos Vários 4 Pergunta:
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 Convolucionais
André Gustavo Hochuli Orientador: Prof. Dr. Luiz Eduardo Soares de Oliveira Programa de Pós-Graduação em Informática Departamento de Informática UFPR http://www.inf.ufpr.br/aghochuli/caffe/ Redes Neurais
Leia maisMapeamento de ambientes e processamento visual utilizando Kinect
Mapeamento de ambientes e processamento visual utilizando Kinect Mário Alberto Cecchi Raduan Bolsista PIBIC/UFRJ Orientador: Adriano Joaquim de Oliveira Cruz, PhD Laboratório de Inteligência Computacional
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 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 maisDescritores de Imagens
Descritores de Imagens André Tavares da Silva PPGCA/UDESC Outubro de 2017 André Tavares da Silva (PPGCA/UDESC) Descritores de Imagens Outubro de 2017 1 / 17 Introdução Excelentes pesquisas sobre descritores
Leia maisMouseCam: aplicação de controle do mouse via câmera
MouseCam: aplicação de controle do mouse via câmera Introdução ao Processamento de Imagens COS756 PESC/COPPE/UFRJ 2013 1 Renan Garrot garrot@cos.ufrj.br 1. Introdução O processo de tracking por vídeo consiste
Leia maisInteligência Artificial
Universidade Federal de Campina Grande Departamento de Sistemas e Computação Pós-Graduação em Ciência da Computação Inteligência Artificial Aprendizagem Outras Técnicas Prof. a Joseana Macêdo Fechine Régis
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 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 maisReconhecimento de texturas utilizando padrão binário local e classificador knn.
Reconhecimento de texturas utilizando padrão binário local e classificador knn. Vinicius Santos Andrade 1 Resumo. Através de uma imagem é possível obter inúmeras informações. Portanto, é cada vez mais
Leia maisClassificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada
Classificação de Padrões por Blocos em Imagens Não Segmentadas de Tomografia Computadorizada Aline Dartora Prof. David Menotti Departamento de Informática Universidade Federal do Paraná (UFPR) 23 de outubro
Leia maisIdentificação de Pontos Perceptualmente Importantes (PIP) em séries temporais de tópicos extraídos de dados textuais
Universidade de São Paulo Biblioteca Digital da Produção Intelectual - BDPI Departamento de Ciências de Computação - ICMC/SCC Comunicações em Eventos - ICMC/SCC 2015 Identificação de Pontos Perceptualmente
Leia maisCriação de mosaico usadando o SURF e o matcher FLANN
Criação de mosaico usadando o SURF e o matcher FLANN Felipe Jordão Pinheiro de Andrade Universidade Federal do Maranhão, São Luis, BRA Abstract. O trabalho propoe uma metodologia para a criação de um mosaico
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 maisThiago Zavaschi Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade
Thiago Zavaschi (zavaschi@ppgia.pucpr.br) Orientador: Alessandro Koerich Programa de Pós-Graduação em Informática (PPGIa) Pontifícia Universidade Católica do Paraná (PUC-PR) Conceitos relacionados a classificação
Leia maisReconhecimento de Instâncias (parte 2)
Reconhecimento de Instâncias (parte 2) Rafael Galvão de Mesquita rgm@cin.ufpe.br Carlos Alexandre Mello cabm@cin.ufpe.br SURF Speeded-Up Robust Features [3] Computer Vision and Image Understanding, 2004
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 maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Roteiro da aula Conceitos básicos sobre reconhecimento de padrões Visão geral sobre aprendizado no projeto de classificadores Seleção
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 maisUNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica
REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer
Leia maisO reconhecimento facial é dividido em três etapas: i) detecção da face, ii) extração de características e iii) reconhecimento da face.
ESTUDO SOBRE MÉTODOS DE RECONHECIMENTO FACIAL EM FOTOGRAFIAS DIGITAIS Ana Elisa SCHMIDT¹, Elvis Cordeiro NOGUEIRA² ¹ Orientadora e docente do IFC-Campus Camboriú; ² Aluno do curso de Bacharelado em Sistemas
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 maisProcessamento digital de imagens
Processamento digital de imagens Agostinho Brito Departamento de Engenharia da Computação e Automação Universidade Federal do Rio Grande do Norte 6 de outubro de 2016 Segmentação de imagens A segmentação
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
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 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 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 maisFundamentos de Inteligência Artificial [5COP099]
Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução
Leia maisAula 7 - Representação e Descrição de Estruturas Bi-dimensionais. Prof. Adilson Gonzaga
Aula 7 - Representação e Descrição de Estruturas Bi-dimensionais Prof. Adilson Gonzaga 1 Introdução Objetos ou Segmentos são representados como uma coleção de pixels em uma imagem. Para o reconhecimento
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 maisExemplo de aplicação
Exemplo de aplicação Paralaxe O conceito de paralaxe está relacionado com o deslocamento relativo ou aparente dos objetos estacionários, quando um observador em movimento os olha de pontos diferentes.
Leia maisLocalização de Robôs Móveis por Aparência Visual
Felipe Gustavo Bombardelli Localização de Robôs Móveis por Aparência Visual Curitiba 2014 Felipe Gustavo Bombardelli Localização de Robôs Móveis por Aparência Visual Trabalho de Graduação apresentado
Leia maisConceitos de Aprendizagem de Máquina e Experimentos. Visão Computacional
Conceitos de Aprendizagem de Máquina e Experimentos Visão Computacional O que você vê? 2 Pergunta: Essa imagem tem um prédio? Classificação 3 Pergunta: Essa imagem possui carro(s)? Detecção de Objetos
Leia maisIntrodução à Mineração de Dados com Aplicações em Ciências Espaciais
Introdução à Mineração de Dados com Aplicações em Ciências Espaciais Escola de Verão do Laboratório Associado de Computação e Matemática Aplicada Rafael Santos Dia 2: 1 /59 Programa Dia 1: Apresentação
Leia mais[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações
[2CTA121] Processamento de Imagens em Alimentos: Conceitos e Aplicações Dr. Sylvio Barbon Junior PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA DE ALIMENTOS - UEL 2016 Assunto Aula 4 Segmentação de Imagens 2 de
Leia maisDeterminação de vícios refrativos oculares utilizando Support Vector Machines
Determinação de vícios refrativos oculares utilizando Support Vector Machines Giampaolo Luiz Libralão, André Ponce de Leon F. de Carvalho, Antonio Valerio Netto, Maria Cristina Ferreira de Oliveira Instituto
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 maisMáquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos
Máquinas de Vetores de Suporte - Support Vector Machines (SVM) Germano Vasconcelos Introdução * Método supervisionado de aprendizagem de máquina * Empregado em classificação de dados Classificação binária
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 maisREDES NEURAIS ARTIFICIAIS
REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação
Leia mais2 SIFT (Scale Invariant Feature Transform)
SIFT (Scale Invariant Feature Transform) O SIFT é um algoritmo de visão computacional proposto e publicado pelo pesquisador David Lowe (Lowe, 1999), professor do departamento de Ciência da Computação na
Leia mais3 Técnica Baseada em Treinamento e Cascata de Classificadores
3 Técnica Baseada em Treinamento e Cascata de Classificadores 3.1. Introdução A utilização de algoritmos para a extração de características de objetos e a geração de classificadores em cascata capazes
Leia maisRECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ
RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional
Leia maisExtração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino
Extração de características utilizando filtros de Gabor aplicado a identificação de defeitos no couro bovino André Luiz Pasquali 24 de abril de 2006 1 Antecedentes e Justificativa Atualmente o Brasil vem
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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 07 Classificação com o algoritmo knn Max Pereira Classificação com o algoritmo k-nearest Neighbors (knn) Como os filmes são categorizados em gêneros? O que
Leia maisSketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010])
Sketch to Photo Matching: A Feature-based Approach (Klare and Jain [2010]) Marco Antonio de A. Silva Programa de Pós-Graduação em Ciência da Computação - PPGCC Departamento de Computação - DECOM Universidade
Leia maisExtração de características de imagens. Descritores de cor
Extração de características de imagens Descritores de cor Descritores de imagens Problema: computar, de forma eficiente, valores que descrevam uma imagem (ou parte dela) Vetores de características (feature
Leia mais6 Aplicação da Metodologia Proposta
6 Aplicação da Metodologia Proposta 6.1 Introdução A utilização da metodologia Box & Jenkins para a identificação da estrutura adequada é tarefa difícil para um usuário sem conhecimento prévio. Por isso,
Leia maisSISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS
SISTEMA AUTOMÁTICO PARA AVALIAÇÃO POSTURAL BASEADO EM DESCRITORES DE IMAGENS GIAN LUCAS DE OLIVEIRA PAIVA GRADUANDO EM ENGENHARIA ELETRÔNICA ORIENTADOR: PROF. CRISTIANO JACQUES MIOSSO DR. EM ENGENHARIA
Leia maisA evolução natural deu ao cérebro humano muitas características desejáveis que não estão presentes na máquina de von Neumann:
Faculdade de Engenharia de Computação Centro de Ciências Exatas, Ambientais e de Tecnologias PUC-Campinas João Luís Garcia Rosa 2004 2 A evolução natural deu ao cérebro humano muitas características desejáveis
Leia maisReconhecimento de Padrões
Reconhecimento de Padrões André Tavares da Silva andre.silva@udesc.br Duda e Hart Capítulo 1 Reconhecimento de Padrões (imagem) Objetivo: Interpretar um conjunto de dados através de um mapeamento (classificação)
Leia maisUNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba. Segmentação
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Segmentação A separação dos pixeis relativos a cada objeto, ou região, é uma etapa fundamental para o sucesso do processo de análise da imagem. Embora
Leia maisClassificação de Gênero com Diferentes Técnicas de Aprendizado de Máquina
Classificação de Gênero com Diferentes Técnicas de Aprendizado de Máquina Eduardo Henrique Giroto 1, Sérgio Montazzolli Silva 1 1 Departamento de Computação Universidade Estadual de Londrina (UEL) Caixa
Leia maisMini-projeto: Reconhecimento de Digitos com MLPs. Germano C. Vasconcelos Centro de Informática - UFPE
Mini-projeto: Reconhecimento de Digitos com MLPs Germano C. Vasconcelos Centro de Informática - UFPE 1 Link do Material http://neuralnetworksanddeeplearning.com/chap1.html 2 Objetivo: Treinar uma Rede
Leia maisFeature Detector. Prof. Dr. Geraldo Braz Junior
Feature Detector Prof. Dr. Geraldo Braz Junior Problema: Matching 2 Matching 3 Matching Processo de encontrar uma imagem em outra Normalmente usado para encontrar um objeto numa imagem, mas também: Reconhecimento
Leia mais