Uso de algoritmos genéticos para a classificação de imagens de. sensoriamento remoto
|
|
- Luiz Felipe de Sintra Leveck
- 6 Há anos
- Visualizações:
Transcrição
1 Uso de algoritmos genéticos para a classificação de imagens de sensoriamento remoto Jorge Antonio Silva Centeno 1 Marcio Augusto Reolon Schmidt 2 1 Curso de Pós Graduação em Ciências Geodésicas UFPR 2 bolsista de Engenharia Cartográfica 1 centeno@geoc.ufpr.br 2 ocade@cwb.matrix.com.br
2 USO DE ALGORITMOS GENÉTICOS PARA A CLASSIFICAÇÃO DE IMAGENS DE SENSORIAMENTO REMOTO RESUMO No presente trabalho aborda-se a utilização de técnicas de inteligência artificial para classificar imagens de satélite. O objetivo é desenvolver uma metodologia para mapear e atualizar os levantamentos da cobertura do solo, baseada no princípio dos algoritmos genéticos. Como fontes de dados são adotadas imagens de satélite, dos sensor Landsat-TM. O processo de tomada de decisão é executado através de um conjunto de regras simples, para as quais vários parâmetros devem ser definidos. Estes parâmetros são estimados utilizando o processo de aprendizado dos algoritmos genéticos. Para isto, amostras representativas das classes são escolhidas nas imagens multiespectrais e um processo seletivo, similar ao processo evolutivo da natureza, é empregado para otimizar a solução que fornece o melhor conjunto de parâmetros. Com este resultado, a imagem toda pode ser classificada. Testes usando imagens multiespectrais, com bandas das regiões infravermelha e visível do espectro, foram realizados para avaliar a metodologia. Os testes serviram para analisar efeito da variação dos parâmetros que controlam os algoritmos genéticos, como o tamanho da população e o número de iterações necessários para resolver cada situação. ABSTRACT The present work describes an application of techniques of artificial intelligence to satellite images classification. The aim is to develop a methodology to classify land cover using multispectral images, based on the principles of the genetic algorithms. Landsat - TM images of Brazil are used as data source. The classification is performed using a simple rule-based decision process. A set of parameters, that
3 control the decision making, are necessary and they are estimated using the evolutionary concept of the genetic algorithms. For this purpose, representative samples of each class are chosen in the multispectral image and they are used to start an iterative search process of the optimal solution. In each iteration, a set of possible solutions are estimated and the result of the classification of the training pixels is compared to the true classification (known from other sources). The best estimates are kept and combined, using genetic operations that resemble natural evolution, and later used in a new iteration. The optimized solution is then used to classify the complete image. Tests using multispectral data, with bands of the infra-red and visible regions of the spectrum are presented and discussed. The tests serve to analyze the effect of the variation of the parameters that control the genetic algorithms, as the size of the population and the number of iterations necessary for each problem. 1. INTRODUÇÃO Uma das classificações mais simples usadas no sensoriamento remoto é o método dos paralelepípedos. Estes método consiste em definir os limiares de cada classe presente em uma imagem dentro de um sistema de cores. Justamente a definição destes limiares que se torna o problema para uma boa classificação. Uma solução pode ser obtida aplicando conceitos da inteligência artificial, neste caso os algoritmos genéticos. O presente artigo descreve o resultado de uma pesquisa que visa a verificar a a aplicabilidade destas técnicas para classificação multiespectral de imagens multiespectrais. 2. O MÉTODO DOS HIPERCUBOS Alternativas para a classificação de um conjunto de observações multiespectrais que não se adaptem a uma distribuição estatística podem ser encontradas aplicando se métodos simples, como a divisão do
4 espaço espectral fixando limites máximos e mínimos, em cada banda para cada classe (LILLESAND E KIEFER, 1994). Isto é efetuado de uma maneira simples. Para cada classe considerada, a faixa de variação em cada banda é analisada e os limites máximo e mínimo da faixa de variação são estimados. Cada pixel na imagem, descrito pelo vetor de valores digitais ( x = [x1,x2,x3] ), é então classificado segundo um conjunto de regras simples. Para um conjunto de NB bandas espectrais (j=1,2,3,...,nb) e considerando NC classes (i=1,2,3..,nc), um pixel com valores (x 1, x 2,..x NC ) pertence à classe j se: sendo Se ( limij1<x j <limij2 ) limij1 e limij2 os limites inferior e superior para a classe i na banda j. Embora o princípio seja muito simples, o problema se torna complexo quando a imagem apresenta classes espectralmente próximas ou um número elevado de classes, que podem ser confundidas e dificultam a separação mediante esta abordagem, pois podem ocorrer pixels que satisfaçam a mais de uma regra. A fixação dos limiares é protanto uma tarefa que demanda cuidado e é freqüentemente efetuada de maneira iterativa (LILESSAND E KIEFER, 1994). 3. ALGORITMOS GENÉTICOS Algoritmos genéticos são o ramo mais conhecido da computação evolutiva, que conceitualmente apresentam um escopo mais amplo que a simples otimização (BITTENCOURT, 1998).. São métodos de busca baseados nos mecanismos de seleção natural e genética, que apresentam um modelo para aprendizagem de máquina. Enquanto os métodos de otimização e busca trabalham geralmente de forma sequêncial, avaliando a cada instante uma possível solução, os algoritmos genéticos trabalham com um conjunto de possíveis soluções simultaneamente.
5 Dentro do conceito de algoritmos genéticos, uma solução possível é codificada numa seqüência binária e tratada como indivíduo ou genoma. Ao conjunto de indivíduos simultaneamente avaliados é dado o nome de população e, a cada indivíduo, é dado um grau ou nota de adaptação que mede a capacidade da solução deste indivíduo em resolver um dado problema. Os algoritmos genéticos não garantem uma solução ótima mas geralmente encontram soluções quase ótimas em um tempo aceitável. Cada iteração é chamada de geração, e nela os princípios de seleção e reprodução são aplicados a uma população de candidatos. Durante o processo evolutivo, a população é avaliada para cada indivíduo é dada uma nota ou fitness, refletindo a sua habilidade de adaptação a um determinado ambiente. Uma porcentagem dos mais aptos é mantida, enquanto o resto é descartado. Os membros mantidos pela seleção podem sofrer alterações em seu código através de mecanismos como mutações e crossovers, gerando descendentes da próxima geração. Esta é a definição de reprodução e é repetido até se obter uma resposta satisfatória (AZEVEDO ET AL, 2000). 3.1 REPRESENTAÇÃO GENÉTICA O primeiro passo a ser considerado para a utilização de algoritmos genéticos é a representação do problema em uma estrutura na qual o algoritmo possa trabalhar adequadamente (BRAGA ET AL., 2000). No caso da classificação por paralelepípedos, cada classe demanda 2 x NB parâmetros, ou seja, considerando NC classes um total de 2* NC x NB parâmetros tornam-se necessários. Isto pode ser codificado como uma cadeia. Por exemplo, para 3 bandas e uma classe ter-se-ia a seguinte cadeia (lim111, lim112, lim121, lim122, lim131, lim132 ). Para um número maior de classes, a seqüência é aumentada ( lim111, lim112,..., lim132, lim211, lim212,..., lim232,..., limnc11, limnc12,..., limnc32). Esta cadeia é considerada, que para fins do presente estudo, como o genoma de um indivíduo. Os indivíduos são representados por vetores binários. A representação binária é independente do problema pois uma vez encontrado o vetor, as operações padrão podem ser utilizadas.
6 3.2. OPERADORES GENÉTICOS Os operadores genéticos básicos utilizados neste trabalho são a seleção, o cruzamento, a mutação e o elitismo, descritos em AZEVEDO ET AL, 2000 e BRAGA ET AL Seleção: O processo de seleção determina quais indivíduos da população podem participar da fase de reprodução. Os indivíduos são selecionados de acordo com sua adequação às condições impostas, sua qualidade. Assim os indivíduos melhor adaptados tem maiores chances de participar da reprodução. O princípio básico dos algoritmos genéticos é que um critério de seleção faça com que uma população inicial gere, após algumas gerações, indivíduos mais aptos. A maioria dos métodos de seleção é definida para escolher preferivelmente indivíduos com maiores notas, ou graus, de aptidão, embora não exclusivamente (em alguns casos é preferível que se mantenha a diversidade da população). Reprodução: Os indivíduos escolhidos na fase de seleção participam da fase de reprodução, em que podem ser combinados ou modificados, produzindo os indivíduos da próxima geração. Os principais operadores de reprodução são: cruzamento e mutação. Eles são utilizados para assegurar que a nova geração apresente novos indivíduos (\soluções), mantendo características desejáveis adquiridas em gerações anteriores. cruzamento: é o operador responsável pela combinação das características genéticas dos pais durante a reprodução, permitindo que elas sejam herdadas pelas próximas gerações. Neste trabalho, foi utilizado o operados de cruzamento de ponto único, ou seja um ponto de cruzamento, que é um ponto entre dois genes de um cromossomo, é escolhido, e a partir deste ponto, as informações genéticas dos pais são trocadas. Um dos filhos herda as informações anteriores a este ponto de um dos pais e o complemento de outro pai. O outro filho herda os pedaços restantes. mutação: é responsável pela introdução e manutenção da diversidade genética na população, alterando arbitrariamente um ou mais genes de um cromossomo escolhido aleatoriamente. Este operador fornece
7 meios para a introdução de novos elementos na população. A mutação assegura que a probabilidade de se chegar a qualquer ponto do espaço de busca nunca será zero, além de contornar o problema de mínimos locais, por permitir a alteração da direção de busca PARÂMETROS GENÉTICOS Para a utilização de algoritmos genéticos é importante a análise dos parâmetros utilizados pois podem influir no comportamento em relação às necessidades do problema. Os principais parâmetros são: tamanho da população: O tamanho da população afeta o desempenho global e a eficiência dos algoritmos genéticos. Com uma população pequena, o desempenho pode cair, pois a população pode cobrir apenas uma pequena parte do espaço de busca. Uma grande população geralmente fornece uma cobertura representativa do domínio do problema, além de prevenir convergências prematuras para soluções locais, em vez de globais. No entanto, para se trabalhar com grandes populações, são necessários maiores recursos computacionais, ou um tempo de execução maior; taxa de cruzamento: é a porcentagem de indivíduos usados para o cruzamento. Quanto maior esta taxa, mais rápida a introdução de novas estruturas na população. Se esta taxa for muito alta, indivíduos com bons índices de aptidão poderão ser retirados a uma velocidade que supere a capacidade de gerar indivíduos melhores. Se esta taxa for muito baixa, a busca pode estagnar; taxa de mutação: descreve o número de mutantes em cada iteração. Uma baixa taxa de mutação previne que uma população fique estagnada, além de possibilitar que se chegue em qualquer ponto do espaço de busca. Com um taxa muito alta, a busca se torna essencialmente aleatória; intervalo de geração: Controla a porcentagem da população que será substituída para a próxima geração. Com um valor alto, a maior parte da população será substituída, o que pode levar à perda de indivíduos de
8 alto grau. Com um valor baixo, o algoritmo pode se tornar muito lento, pois o número de gerações necessárias será muito grande. 4. MATERIAIS E MÉTODOS Programas específicos para a otimização pelos algoritmos genéticos e a classificação de imagens multiespectrais foram desenvolvidos em linguagem C++, no ambiente UNIX. Imagens Landsat TM, com resolução espacial de 30 m, de regiões próximas às cidades de Rio de Janeiro, Florianópolis e Manaus nas bandas 5, 4 e 3 serviram de base para a análise. Como o resultado do fatiamento multiespectral é altamente dependente da distribuição das classes no espaço de cores adotado, uma comparação entre os resultados obtidos usando o espaço RGB e o espaço IHS foi efetuada ETAPAS Inicialmente, para cada imagem, uma análise visual, foi efetuada com a finalidade de identificar as classes presentes. A seguir foram escolhidos pixels de treinamento para cada classe, ou seja, pixels que se sabe que pertencem a uma classe. Tentou-se, na medida do possível, manter o número de pixels por classe constante, tomando cuidado em respeitar as exigências relativas à distribuição e representatividade da amostragem (CHUVIECO ). Fixados o número de bandas (3) e o número de classes, definiu-se o tamanho da cadeia genética. Vários testes foram realizados, variando os parâmetros genéticos, como por exemplo o tamanho da população e a taxa de mutação.
9 A qualidade de cada indivíduo, cada solução, foi medida a partir dos pixels de treinamento. Em cada iteração, o número de pixels de treinamento corretamente classificados por cada solução foi calculado. O indivíduo recebeu como medida de qualidade (Fitness) um valor igual à taxa de pixels corretamente classificados em relação ao total de pixels de treinamento. Assim, a solução ideal teria valor 1, sendo que valores menores, entre zero e a unidade, descreveriam soluções sub-óptimas. O processo iterativo foi detido quando a qualidade do indivíduo mais apto superou um limiar fixado, ou o número de iterações ultrapassou um máximo estipulado previamente. 5. RESULTADOS Os resultados de seis experimentos serão apresentados. Em cada um deles, um recorte das imagens foi utilizado, sendo AM1 e AM2 os recortes da imagem de Manaus, SC1 e SC2 os recortes da imagem da ilha de Florianópolis e RJ1 e RJ2 os recortes do Rio de Janeiro. O número máximo de iterações foi fixado em e o tamanho da população em 100 indivíduos, para todos os casos. Um total de 20% da população foi mantida (elitismo). O número de mutantes é 5 para a maioria dos casos, apenas no experimento RJ2, no espaço IHS, foi usada uma taxa maior, de 8 mutantes. Os demais parâmetros genéticos utilizados em cada experimento encontram-se listados nas tabelas 1 e 2. O número de cromossomos é função do número de classes, sendo que para cada classe um total de 6 limiares são necessários. Parâmetro AM 1 AM 2 SC 1 SC 2 RJ 1 RJ2 No. de classes No. de cromossomos Ponto de cruzamento No. de amostras Tabela 01: Parâmetros de classificação no sistema RGB
10 Parâmetro AM 1 AM 2 SC 1 SC 2 RJ 1 RJ2 No. de classes No. de cromossomos Ponto de cruzamento No. de mutantes No. de amostras Tabela 02: Parâmetros de classificação no sistema IHS Como exemplo será discutida em maior detalhe a imagem do experimento SC1, de Florianópolis. As classes consideradas usando o espaço RGB foram 3: área urbana, vegetação e água. Nota se nesta imagem a presença de sombra, produzidas pelo relevo e pelo horário da tomada da imagem, que modifica a aparência de algumas regiões. Para estas 3 classes foram escolhidas 45 amostras coletadas ao longo de toda imagem como dados de entrada do programa de algoritmos genéticos. Os resultados da classifcação desta imagem no espaço RGB pode ser visto na figura 1. Como este resultado apresenta a presença de pixels isolados, uma processo de suavização, o filtro de moda, foi aplicado a este resultado, do que se obteve a imagem mostrada na figura 2.
11 FIGURA 1.- Resultado da classificação no espaço RGB. FIGURA 1.- Resultado da classificação no espaço RGB, após pós processamento. A mesma imagem foi transformada ao espaço IHS, e um novo experimento de busca dos parâmetros ótimos foi iniciado. Neste caso, foi possível diferencia duas tonalidades nas regiões correspondentes a vegetação, motivo este que levou a considerar 4 classes. O processo convergiu e o resultado é mostrado na figura 3.
12 FIGURA 1.- Resultado da classificação no espaço IHS. 6. CONCLUSÕES Os testes realizados comprovaram que é possível encontrar uma estimativa dos limiares, necessário no processo de classificação pelo método dos hipercubos, usando uma abordagem baseada nos algoritmos genéticos. O processo converge para uma solução que corresponde à classificação correta, segundo os pixels de treinamento. O número de amostras interfere diretamente no número de iterações necessárias que os algoritmos genéticos necessitam para chegar a uma solução ótima. Um número de amostras suficientemente grande fornece a informação necessária para que o algoritmo realize a busca de soluções mais rapidamente e não disperdice iterações analisando possíveis alternativas. Isto também implica em maior tempo de processamento. Por outro lado se o numero de amostras for muito pequeno, irão faltar dados para o algoritmo poder fornecer uma solução adequada. A observação dos resultados mostrou que os sistema IHS oferece uma melhor separabilidade de classes mesmo que o número de amostras seja um pouco menor que o de outros sistemas.
13 Os parâmetros genéticos apresentados nas tabelas 1 e 2 são aqueles que proporcionaram melhores resultados em cada caso. No entanto, diversos testes foram efetuados em cada imagem. Dentre as principais observações resultantes destes experimentos pode-se concluir que o número de mutantes não pode ser muito baixo, pois isto causa estagnação do processo de busca. Por outro lado, uma taxa muito alta faz-se que a população não consiga convergir. O espaço de cores é determinante na performance do processo, pois a orientação das classes em relação aos eixos é um fator que influencia a separabilidade espectral. Como o espaço IHS possui acomponente I ao longo da diagonal principal do sistema RGB, que é muito próxima do eixo de maior variação dos níveis de cinza numa imagem digital, é justificado que a separabilidade espectral neste espaço seja melhor e a classificação tenha melhores resultados. Isto também foi constatado no fato de poder separar melhor as duas classes de vegetação no espaço IHS, mesmo fazendo a análise visual. Os experimento comprovam a viabilidade do uso dos algorítmos genéticos para a solução de problemas de classificação, onde há necessidade de fixar um elevado número de parâmetros, como é o caso do métodos dos hipercubos. Embora os experimentos tenham sido efetuados usando apenas três bandas, o método pode ser facilmente ampliado a uma dimensão maior. Uma alternativa que deve ser pesquisada é o uso desta abordagem utilizando o espaço definido pelas componentes principais, visto que neste espaço a correlação entre as bandas é mínima e com isto a performance do método de classificação pode ser melhor. 7. REFERÊNCIAS BIBLIOGRAFICAS AZEVEDO, F. M.; BRASIL, F. M.; OLIVEIRA, R.C. L. Redes Neurais com Aplicações em Controle e em Sistemas Especialistas. Florianópolis, Bookstore BITTENCOURT, G Inteligência Artificial: Ferramentas e Teorias. Cap. 6. Florianópolis, Ed. Da UFSC.
14 BRAGA, A. P.; LUDEMIR, T. B.; CARVALHO, A.C. P. L. F. Redes Neurais Artificiais Teoria e Aplicações. Rio de Janeiro, RJ : LTC, CHUVIECO, E. Fundamentos de Teledetección Espacial. Madrid, Espanha : Ediciones Rialp S A, LILLESAND, T. e KIEFER, R. Remote Sensing and Image Interpretation. Chichester : John Willey and Sons, 1994.
Algoritmos Genéticos. Princípio de Seleção Natural. Sub-áreas da Computação Evolutiva. Idéias básicas da CE. Computação Evolutiva
Computação Evolutiva Algoritmos Genéticos A computação evolutiva (CE) é uma área da ciência da computação que abrange modelos computacionais inspirados na Teoria da Evolução das Espécies, essencialmente
3 Algoritmos Genéticos
Técnicas de Inteligência Computacional 33 3 Algoritmos Genéticos Este capítulo resume os principais conceitos sobre o algoritmo evolucionário empregado nesta dissertação. É apresentada uma breve explicação
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP
Computação Evolutiva Eduardo do Valle Simões Renato Tinós ICMC - USP 1 Principais Tópicos Introdução Evolução Natural Algoritmos Genéticos Aplicações Conclusão 2 Introdução http://www.formula-um.com/ Como
Introdução aos Algoritmos Genéticos
Introdução aos Algoritmos Genéticos Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Algoritmos Genéticos: Introdução Introduzidos
Algoritmo Genético. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto
Algoritmo Genético Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Introdução 2. Conceitos Básicos 3. Aplicações 4. Algoritmo 5. Exemplo Introdução São técnicas de busca
3. Resolução de problemas por meio de busca
Inteligência Artificial - IBM1024 3. Resolução de problemas por meio de busca Prof. Renato Tinós Local: Depto. de Computação e Matemática (FFCLRP/USP) 1 Principais Tópicos 3. Resolução de problemas por
Exemplo de Aplicação de Algoritmos Genéticos. Prof. Juan Moisés Mauricio Villanueva cear.ufpb.br/juan
Exemplo de Aplicação de Algoritmos Genéticos Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br cear.ufpb.br/juan Estrutura do Algoritmo Genético Algoritmo genético Inicio t = 0 inicializar P(t)
Algoritmos Genéticos. Pontos fracos dos métodos tradicionais. Características de alguns problemas. Tamanho do espaço de busca- Ex. caixeiro viajante:
Algoritmos Genéticos Prof. Luis Otavio Alvares INE/UFSC Características de alguns problemas Tamanho do espaço de busca- Ex. caixeiro viajante: 10 cidades: 181.000 soluções 20 cidades: 10.000.000.000.000
Inteligência Artificial
Inteligência Artificial Aula 6 Algoritmos Genéticos M.e Guylerme Velasco Roteiro Introdução Otimização Algoritmos Genéticos Representação Seleção Operadores Geneticos Aplicação Caixeiro Viajante Introdução
Metahuerísticas: Algoritmos Genéticos. Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng.
Metahuerísticas: Algoritmos Genéticos Sistemas de Informação/Ciências da Computação UNISUL Aran Bey Tcholakian Morales, Dr. Eng. (Apostila 8) Meta-heurísticas Classificação de métodos heurísticos: os métodos
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL. Aula 06 Prof. Vitor Hugo Ferreira
Universidade Federal Fluminense Escola de Engenharia Departamento de Engenharia Elétrica INTRODUÇÃO À INTELIGÊNCIA COMPUTACIONAL Aula 06 Prof. Vitor Hugo Ferreira Representação por cromossomos Codificação
Algoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
4 Métodos Existentes. 4.1 Algoritmo Genético
61 4 Métodos Existentes A hibridização de diferentes métodos é em geral utilizada para resolver problemas de escalonamento, por fornecer empiricamente maior eficiência na busca de soluções. Ela pode ser
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO
APLICAÇÃO DE ALGORITMOS BIO-INSPIRADOS EM CONTROLE ÓTIMO Profa. Mariana Cavalca Baseado em: Material didático do Prof. Dr. Carlos Henrique V. Moraes da UNIFEI Curso de verão da Profa. Gisele L. Pappa Material
3 Otimização Evolucionária de Problemas com Restrição
3 Otimização Evolucionária de Problemas com Restrição 3.1. Introdução Este capítulo resume os principais conceitos sobre os algoritmos evolucionários empregados nesta dissertação. Primeiramente, se fornece
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO
INTRODUÇÃO AO PROCESSAMENTO DIGITAL DE IMAGENS SENSORIAMENTO REMOTO PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS Extração de Informações
Introdução a Algoritmos Genéticos
Introdução a Algoritmos Genéticos Tiago da Conceição Mota Laboratório de Inteligência Computacional Núcleo de Computação Eletrônica Universidade Federal do Rio de Janeiro Outubro de 2007 O Que São? Busca
Algoritmos Evolutivos Canônicos
Algoritmos Evolutivos Canônicos Como representar os indivíduos Vetor de comprimento fixo com L características escolhidas previamente. Ex.: Definição
Período: 5 Carga Horária: 45 horas. UFPR Departamento de Geomática Prof. Jorge Centeno 2013 centenet
Sensoriamento Remoto II Período: 5 Carga Horária: 45 horas UFPR Departamento de Geomática Prof. Jorge Centeno 2013 copyright@ centenet Sensoriamento Remoto II Descrição da Ementa: Transformações espectrais:
09/03/2017. O que é Sensoriamento Remoto? Tipos de Sensoriamento Remoto REVISÃO SENSORIAMENTO REMOTO AULA ZERO. Satélites.
REVISÃO SENSORIAMENTO REMOTO AULA ZERO Daniel C. Zanotta 09/03/2017 O que é Sensoriamento Remoto? Arte e ciência da obtenção de informações sobre um objeto, através de radiação eletromagnética, sem contato
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES
IMAGENS DIGITAIS APLICADAS PARA DETERMINAÇÃO DE ÁREAS AGRÍCOLAS ATRAVÉS DO CLASSIFICADOR BAYES RAFAEL COLL DELGADO 1 ; GILBERTO CHOHAKU SEDIYAMA 2 ; EVALDO DE PAIVA LIMA 3, RICARDO GUIMARÃES ANDRADE 4
Inteligência Artificial
Inteligência Artificial Prof. Kléber de Oliveira Andrade pdjkleber@gmail.com Algoritmos Genéticos Conteúdo Introdução O Algoritmo Genético Binário Noções de Otimização O Algoritmo Genético com Parâmetros
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS
ESTUDO DO EFEITO DOS PARÂMETROS GENÉTICOS DE UM ALGORITMO GENÉTICO NA SOLUÇÃO OTIMIZADA E NO TEMPO DE CONVERGÊNCIA EM UMA FUNÇÃO DE DUAS VARIÁVEIS Marcelo Henrique dos Santos Universidade de Uberaba, Engenharia
Otimização com Algoritmos Genéticos no MATLAB. Prof. Rafael Saraiva Campos CEFET-RJ
Otimização com Algoritmos Genéticos no MATLAB Prof. Rafael Saraiva Campos CEFET-RJ Conteúdo do Mini-Curso PARTE 1 Teoria PARTE 2 Prática Conteúdo do Mini-Curso PARTE 1 Teoria 1.1. Conceitos Básicos de
Otimização com Algoritmos Evolutivos
Otimização com Algoritmos Evolutivos Francisco Pereira (xico@dei.uc.pt) ELBCE 2016 (Setembro 2016) Resumo Problem Optimization Method Solution } Algoritmos Evolutivos } Propriedades e funcionamento } Exemplos
Métodos de Busca. Inteligência Artificial. Algoritmos Genéticos. Algoritmos Evolucionários. Prof. Ms. Luiz Alberto Contato:
Inteligência Artificial Prof. Ms. Luiz Alberto Contato: lasf.bel@gmail.com Métodos de Busca Busca Cega ou Exaustiva: Não sabe qual o melhor nó da fronteira a ser expandido. Apenas distingue o estado objetivo
Reconhecimento 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
CAPÍTULO 5 RESULTADOS. São apresentados neste Capítulo os resultados obtidos através do programa Classific, para
CAPÍTULO 5 RESULTADOS São apresentados neste Capítulo os resultados obtidos através do programa Classific, para as imagens coletadas no verão II, período iniciado em 18/01 e finalizado em 01/03 de 1999,
CLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC
p. 001-007 CLASSIFICAÇÃO SUPERVISIONADA EM IMAGEM ALOS PARA O MAPEAMENTO DE ARROZ IRRIGADO NO MUNICÍPIO DE MASSARANDUBA SC RAPHAEL SOUZA RIBEIRO DENILSON DORTZBACH. JUAN ANTÔNIO ALTAMIRANO FLORES Universidade
Otimização. Unidade 6: Algoritmo Genético. Jaime Arturo Ramírez. 7. Teoria do processo evolutivo num GA. 8. Aspectos avançados
Otimização Jaime Arturo Ramírez Conteúdo 1. Introdução 2. Analogia de mecanismos de seleção natural com sistemas artificiais 3. Algoritmo genético modelo 4. Um GA simples 5. Representação, genes e cromossomos
OTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS
OTIMIZAÇÃO DA LIMPEZA DE REDES DE TROCADORES DE CALOR EMPREGANDO OS ALGORITMOS GENÉTICOS C. de O. GONÇALVES 1, E. M. QUEIROZ 2, F. L. P. PESSOA 2, F. S. LIPORACE 3, S. G. OLIVEIRA 3 e A. L. H. COSTA 1
Classificação de imagens de Sensoriamento Remoto. Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo
Classificação de imagens de Sensoriamento Remoto Disciplina: Geoprocessamento Profª. Agnes Silva de Araujo Conteúdo programático e Objetivos Conceito de classificação e fotointerpretação Classificações
Um Sistema Classificador de Imagens de Sensoriamento Remoto baseado em Algoritmos Genéticos
Um Sistema Classificador de Imagens de Sensoriamento Remoto baseado em Algoritmos Genéticos Maria Isabel G. Moreira, Marilton S. de Aguiar Escola de Informática, UCPel - Universidade Católica de Pelotas,
UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS. Metaheurísticas de Buscas
PR UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ ALGORITMOS GENÉTICOS Metaheurísticas de Buscas ALGORITMOS GENÉTICOS (AG) Popularizados por John Holland podem ser considerados os primeiros modelos algorítmicos
Resolvendo o Problema do Cavalo do Xadrez Utilizando Algoritmo Genético
Resolvendo o Problema do Cavalo do Xadrez Utilizando Algoritmo Genético Alexandre Tadeu Rossini da Silva 1, Gustavo Setúbal Nazareno 1, André Marcelo Schneider 2 1 Bacharelado em Ciência da Computação
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e DOMINIQUE PIRES SILVA
Alterações no padrão de cobertura da terra na Zona Oeste da cidade do Rio de Janeiro/RJ nos anos de 1985 e 2010. DOMINIQUE PIRES SILVA Universidade Federal Rural do Rio de Janeiro E-mail: nique_rhcp@hotmail.com
Resoluções das Imagens fotogramétricas e digitais. Fotogrametria e Fotointerpretação Prof. Dr. Raoni W. D. Bosquilia
Resoluções das Imagens fotogramétricas e digitais Fotogrametria e Fotointerpretação Prof. Dr. Raoni W. D. Bosquilia Classificação dos filmes aerofotogramétricos Os filmes podem ser: preto e branco ou coloridos.
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL RESUMO INTRODUÇÃO
OTIMIZAÇÃO FUNÇÕES UTILIZANDO ALGORITMOS GENÉTICOS NO APLICATIVO MS EXCEL Miquéias Augusto Ferreira Nantes 1, Douglas Peixoto de Carvalho 1 (Alunos do Curso de Matemática da Universidade Anhanguera - Uniderp)
PROCESSAMENTO DE IMAGENS
PROCESSAMENTO DE IMAGENS Introdução Conceitos básicos Pré-processamento Realce Classificação PROCESSAMENTO DE IMAGENS- aula de 25/5/10 Introdução Conceitos básicos Pré-processamento Realce Classificação
Métodos de pesquisa e Optimização
Métodos de pesquisa e Optimização Victor Lobo Importância para os SAD Definir o caminho a tomar depois de se ter trabalhado os dados 1ª Fase: Analisar os dados disponíveis Visualização OLAP, relatórios
5 Experimentos Corpus
5 Experimentos 5.1. Corpus A palavra corpus significa corpo em latim. No contexto de Aprendizado de Máquina, corpus se refere a um conjunto de dados utilizados para experimentação e validação de modelos.
4 Construção dos Classificadores
4 Construção dos Classificadores 4.1. Modelagem O aprendizado supervisionado contém a etapa de modelagem, nessa etapa definimos quais serão as características encaminhadas ao classificador para o treinamento.
Estrutura comum dos AEs
Estrutura comum dos AEs Os algoritmos estudados seguem o seguinte padrão para modelagem dos sistemas evolutivos: Uma população de tamanho constante m evolui sobre o tempo A população atual é utilizada
Buscas Informadas ou Heurísticas - Parte III
Buscas Informadas ou Heurísticas - Parte III Prof. Cedric Luiz de Carvalho Instituto de Informática - UFG Mestrado em Ciência da Computação / 2006 BUSCA SMA* (Simplified Memory-Bounded A*) BUSCA SMA* (Simplified
Sensoriamento Remoto
LABORATÓRIOS DIDÁTICOS DE GEOPROCESSAMENTO Sensoriamento Remoto Classificação Supervisionada de Imagens de Sensoriamento Remoto Elaboração: Cláudia Soares Machado Mariana Giannotti Rafael Walter de Albuquerque
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG
AVALIAÇÃO DE ALGORITMOS DE CLASSIFICAÇÃO SUPERVISIONADA DE IMAGEM DIGITAL DO SATÉLITE IKONOS NA REGIÃO DA SERRA DO SALITRE - MG Julierme Wagner da Penha Universidade Federal de Viçosa UFV juliermewagner@yahoo.com.br
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo
Um Algoritmo Genético para o Problema de Roteamento de Veículos com Janelas de Tempo Francisco Henrique de Freitas Viana Pontifícia Universidade Católica do Rio de Janeiro PUC-Rio Departamento de Informática
Seleção de Atributos 1
Seleção de Atributos 1 Tópicos Por que atributos irrelevantes são um problema Quais tipos de algoritmos de aprendizado são afetados Seleção de atributos antes do aprendizado Benefícios Abordagens automáticas
3 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
Ricardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb
Ricardo Matsumura de Araújo Professor Assistente FURG Doutorando PPGC / UFRGS Orientador: Luis C. Lamb Aprendizado de Máquina IA Estatística Computação Diz-se que um algoritmo é capaz de aprender de uma
Método de classificação não supervisionada por empilhamento no espaço de atributos. Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias
Método de classificação não supervisionada por empilhamento no espaço de atributos Adauto Pereira Ramos Costa Ana Lúcia Bezerra Candeias Universidade Federal de Pernambuco - UFPE/CTG/DECART Caixa Postal
Correção do fenômeno NODATA na transformação de 16 para 8 bits em imagens QuickBird.
Correção do fenômeno NODATA na transformação de 16 para 8 bits em imagens QuickBird. Rodrigo Aparecido Domingues Melquiades 1 Camila Souza dos Anjos 1 Luciana Arantes dos Santos 1 1 Imagem Soluções de
Processamento 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
Problema de Satisfação de Restrições. Problema de Satisfação de Restrições. Grafo de restrições. Exemplo: 4 Rainhas como um PSR
Problema de Satisfação de Restrições Problema de Satisfação de Restrições Exemplos de PSR (CSP, Constraint Satisfaction Problem) Busca genérica aplicada a PSRs Backtracking Verificação forward Heurísticas
Algoritmos Genéticos Fundamentos e Aplicações. Prof. Juan Moisés Mauricio Villanueva
Algoritmos Genéticos Fundamentos e Aplicações Prof. Juan Moisés Mauricio Villanueva jmauricio@cear.ufpb.br Conteúdo Introdução Inteligência Artificial (IA) Algoritmos Genéticos Aplicações de Algoritmos
EXTRAÇÃO DE TELHADOS DE BARRO EM IMAGENS DE ALTA RESOLUÇÃO CLAY ROOF EXTRACTION IN HIGH RESOLUTION IMAGES
EXTRAÇÃO DE TELHADOS DE BARRO EM IMAGENS DE ALTA RESOLUÇÃO Roberto Neres Quirino de Oliveira 1 Ana Lúcia Bezerra Candeias 2 1 Universidade Federal de Pernambuco UFPE Graduação Engª Cartográfica roberto.qoliveira@ufpe.br
Algoritmo Genético. Teoria da Evolução Princípio seguido pelos AGs
Algoritmo Genético Técnica de busca e otimização. Metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin. Desenvolvido por John Holland (1975) e seus
PEA 2522 MÉTODOS DE OTIMIZAÇÃO. Otimização
PEA MÉTODOS DE OTIMIZAÇÃO Otimização Definir claramente o problema a ser resolvido Estabelecer os limites físicos (capacidades, restrições) Definir o modelo matemático adequado PEA 8 - PLANEJAMENTO DE
Análise 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],
Segmentação e Classificação. Prof. Herondino
Segmentação e Classificação Prof. Herondino Segmentação Neste processo, divide-se a imagem em regiões que devem corresponder às áreas de interesse da aplicação. Entende-se por regiões um conjunto de "pixels"
Fusão de imagens de Sensoriamento Remoto utilizando a Transformada Wavelet Haar
Fusão de imagens de Sensoriamento Remoto utilizando a Transformada Wavelet Haar Osny Ferreira da Silva 1 Giovanni Araujo Boggione 1 Leila Maria Garcia Fonseca 2 1 Centro Federal de Educação Tecnológica
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA.
CONSTRUÇÃO AUTOMÁTICA DE OPERADORES MORFOLÓGICOS UTILIZANDO PROGRAMAÇÃO GENÉTICA. Emerson Carlos Pedrino * e-mail: ecpedrin@sel.eesc.sc.usp.br Valentin Obac Roda ** e-mail: valentin@sel.eesc.sc.usp.br
Algoritmos Genéticos e Evolucionários
Algoritmos Genéticos e Evolucionários Djalma M. Falcão COPPE/UFRJ PEE e NACAD falcao@nacad.ufrj.br http://www.nacad.ufrj.br/~falcao/ http://www.nacad.ufrj.br/~falcao/ag/ag.htm Resumo do Curso Introdução
PROCESSAMENTO DIGITAL DE IMAGENS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos. Gustavo Pessin 2007
GT-JeDi - Curso de Desenv. de Jogos IA para Jogos Gustavo Pessin 2007 Cronograma Base conceitual Exemplo: Achando o máximo de uma função... Como criar uma pequena aplicação: Exercício-Exemplo [Animal selvagem...]
REDES NEURAIS / INTELIGÊNCIA ARTIFICIAL LISTA DE EXERCÍCIOS 6
REDES NEURAIS / INTELIGÊNCIA ARTIFICIAL LISTA DE EXERCÍCIOS 6 Aluno: 1. Defina o problema de busca (espaço de estados, estado inicial, estado final, ações possíveis, custo) para o seguinte caso: uma pessoa,
Universidade Federal do Paraná - Setor de Ciências da Terra
Universidade Federal do Paraná - Setor de Ciências da Terra APLICAÇÃO DE DIFERENTES NÍVEIS DE REALISMO DERIVADOS DE IMAGEM DE SATÉLITE NA REALIDADE VIRTUAL Juliana Moulin Fosse - jumoulin@ufpr.br Mosar
Resumo. Como um agente busca de seqüência de ações para alcançar seus objetivos.
Resumo Inteligência Artificial Russel e Norvig Capítulos 3,4 e 5 Prof. MsC Ly Freitas UEG Resolução de problemas por meio de busca Como um agente busca de seqüência de ações para alcançar seus objetivos.
PMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO
UNIVERSIDADE DE SÃO PAULO Escola Politécnica Departamento de Engenharia de Minas e de Petróleo PMI Graduação em Engenharia de Petróleo PMI 3331 GEOMÁTICA APLICADA À ENGENHARIA DE PETRÓLEO PROCESSAMENTO
[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
Inteligência 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
4 Metáforas de Optimização
4 Metáforas de Optimização O gigantesco avanço tecnológico que vem sofrendo os sistemas de computação, mais precisamente as unidades de processamento, criou a base para o uso efetivo da Inteligência Computacional,
Processamento Digital de Imagens SER Prática de Laboratório
Processamento Digital de Imagens SER 413-4 - Prática de Laboratório Bruna Virginia Neves João Arthur Pompeu Pavanelli Vanessa Camphora Relatório Parcial da prática de laboratório da disciplina de Processamento
Unidade VII Amostragem
Unidade VII Amostragem Na última aula... Saber os motivos que levam o pesquisador a trabalhar com amostra e entender a importância da inferência. Saber identificar população, amostra e variável aleatória.
Otimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante (TSP)
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Otimização por Enxame de Partículas (PSO) e Otimização por Colônias de Formigas (ASO) aplicadas ao Problema do Caixeiro Viajante
USO DE IMAGENS TM LANDSAT 5 PARA ANÁLISE DO ALBEDO E SALDO DE RADIAÇÃO NA BACIA HIDROGRÁFICA DO CAMARAGIBE: DESTAQUE PARA SÃO LUIZ DO QUITUNDE-AL
USO DE IMAGENS TM LANDSAT 5 PARA ANÁLISE DO ALBEDO E SALDO DE RADIAÇÃO NA BACIA HIDROGRÁFICA DO CAMARAGIBE: DESTAQUE PARA SÃO LUIZ DO QUITUNDE-AL Laurizio Emanuel Ribeiro Alves 1 ; Heliofábio Barros Gomes
SENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE FEIRA DE SANTANA-BA
Revista do CERES Volume 1, Número 2 2015 http://www.cerescaico.ufrn.br/ceres/ SENSORIAMENTO REMOTO APLICADO A ANÁLISE AMBIENTAL NO SEMIÁRIDO: A CLASSIFICAÇÃO DO USO E COBERTURA DA TERRA NO MUNICÍPIO DE
5 Modelo Kernel PCA Genético para Ajuste de Histórico
5 Modelo Kernel PCA Genético para Ajuste de Histórico Conforme descrito na seção 3.2.2.2.1, em um estudo anterior, Sarma, Durlofsky, et al. (2007) parametrizaram o campo de permeabilidade através do Kernel
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA. Utilizando JAVA. TCC - Monografia
Compressão de Imagens Usando Wavelets: Uma Solução WEB para a Codificação EZW Utilizando JAVA TCC - Monografia Wanderson Câmara dos Santos Orientador : Prof. Dr. Luiz Felipe de Queiroz Silveira 1 Departamento
ANÁLISE VISUAL DE IMAGENS ORBITAIS MULTIESPECTRAIS
UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE ENGENHARIA DE BIOSSISTEMAS DISCIPLINA: LEB450 TOPOGRAFIA E GEOPROCESSAMENTO II PROF. DR. CARLOS ALBERTO VETTORAZZI
Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real
Utilizando um Algoritmo Genético para Encontrar os Zeros de uma Função Real Amarildo de Vicente 1, Rogério Luis Rizzi 1 1 Colegiado do Curso de Matemática Centro de Ciências Exatas e Tecnológicas da Universidade
INF 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
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos
Utilização de Algoritmos Genéticos para Otimização de Altura de Coluna da Matriz de Rigidez em Perfil no Método dos Elementos Finitos André Luiz Ferreira Pinto Pontifícia Universidade Católica do Rio de
Algoritmos genéticos Abordagem unificada de algoritmos evolutivos simples
Introdução Inspiração biológica Histórico da computação evolutiva Algoritmo evolutivo simples Programação evolutiva Estratégias evolutivas Algoritmos genéticos Abordagem unificada de algoritmos evolutivos
Implementação De Um Algoritmo Genético Codificado Para A Solução do Problema do Caixeiro Viajante
Implementação De Um Algoritmo Genético Codificado Para A Solução do Problema do Caixeiro Viajante 1 Resumo Neste trabalho será realizada a codificação do algoritmo genético para a solução do problema do
Camila Aguirre Góes 1 Wilson Lins de Mello Filho 2 Valquíria Quirino 1 Melissa Carvalho 3
Avaliação da acurácia de classificadores, utilizando técnica de fusão de bandas dos sensores ETM + /LANDSAT-7 e CCD/CBERS-1. Camila Aguirre Góes 1 Wilson Lins de Mello Filho 2 Valquíria Quirino 1 Melissa
Estatística Aplicada à Educação
Estatística Aplicada à Educação Prof. Bertolo Origens da Estatística. P.16 A Estatística nasceu com os negócios do Estado. A origem da palavra Estatística está associada à palavra status (Estado em latim).
SÍNTESE DE TEXTURAS UTILIZANDO OS ALGORITMOS GENÉTICOS DA MÍNIMA ENTROPIA MODIFICADO E DOS MODELOS DE TEXTURA MODIFICADO
SÍNTESE DE TEXTURAS UTILIZANDO OS ALGORITMOS GENÉTICOS DA MÍNIMA ENTROPIA MODIFICADO E DOS MODELOS DE TEXTURA MODIFICADO Robson Vieitas Ramos e Edna Lúcia Flôres Universidade Federal de Uberlândia Faculdade
O resultado é uma série de "fatias" da superfície, que juntas produzem a imagem final. (Exemplo: o radiômetro dos satélites NOAA gira a 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
Otimização da Paleta de Cores
Otimização da Paleta de Cores Resumo O objetivo deste artigo é apresentar a técnica de otimização da paleta de cores utilizada no MSX Viewer 5 para encontrar a melhor paleta de cores do MSX 2 e do v9990,
Inteligência Artificial. Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo]
Inteligência Artificial Raimundo Osvaldo Vieira [DComp IFMA Campus Monte Castelo] Aprendizagem de Máquina Área da Inteligência Artificial cujo objetivo é o desenvolvimento de técnicas computacionais sobre
F- Classificação. Banda A
F- Classificação Classificação Digital é associar determinado pixel a determinada categoria por meio de critérios estatísticos Banda B? da d b dc Espaço dos Atributos Classes Banda A Classificação: ordenar,
3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
UNIVERSIDADE 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
MAPEAMENTO DO USO DA TERRA E DA EXPANSÃO URBANA EM ALFENAS, SUL DE MINAS GERAIS
MAPEAMENTO DO USO DA TERRA E DA EXPANSÃO URBANA EM ALFENAS, SUL DE MINAS GERAIS BRENO FURTADO LIMA 1 e RÚBIA GOMES MORATO 2 brenogeo@yahoo.com.br, rubiagm@gmail.com 1 Bolsista de iniciação científica FAPEMIG
Sensoriamento Remoto: introdução ao Processamento Digital de Imagens. Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho.
Sensoriamento Remoto: introdução ao Processamento Digital de Imagens Patricia M. P. Trindade; Douglas S. Facco; Waterloo Pereira Filho. Organização de uma imagem As imagens de sensoriamento remoto são
Mapeamento do uso do solo
Multidisciplinar Mapeamento do uso do solo para manejo de propriedades rurais Allan Arnesen Frederico T. Genofre Marcelo Pedroso Curtarelli CAPÍTULO 4 Técnicas de classificação de imagens e processamento
Inteligência Artificial. Conceitos Gerais
Inteligência Artificial Conceitos Gerais Inteligência Artificial - IA IA é um campo de estudo multidisciplinar e interdisciplinar, que se apóia no conhecimento e evolução de outras áreas do conhecimento.
3 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