Determinação de vícios refrativos oculares utilizando Support Vector Machines
|
|
- Renato Álvaro de Escobar
- 5 Há anos
- Visualizações:
Transcrição
1 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 de Ciências Matemáticas e de Computação - ICMC Universidade de São Paulo - USP
2 Objetivo Determinação de um sistema computacional para diagnóstico automático de vícios refrativos oculares (miopia, hipermetropia e astigmatismo) em imagens do olho humano por meio de técnicas de Aprendizado de Máquina.
3 Motivações Modo de determinação atual é subjetivo Tempo gasto para cada paciente é considerado elevado (20-30 minutos)
4 fonte:
5 SISTEMA PROPOSTO Composto por quatro etapas Etapa 0: Módulo de aquisição de imagens Etapa 1 : Módulo de pré-processamento das imagens Etapa 2: Módulo de extração de características Etapa 3: Módulo de análise
6 Etapa 0 - Aquisição de imagens Imagens obtidas utilizando sensor de Hartmann-Shack Cada imagem está associada a três medidas: esférica (S), cilíndrica (C) e eixo do astigmatismo (A) que caracterizam os vícios refrativos.
7 Etapa 0 - Aquisição de imagens Imagens obtidas utilizando sensor de Hartmann-Shack
8 Etapa 0 - Aquisição de imagens Olho normal X Olho anormal
9 Etapa 0 - Aquisição de imagens Para o experimento, foi utilizada uma base construída pelo grupo de Optometria da Universidade de Indiana (EUA) 100 pacientes, sendo 6 imagens de cada um (3 do olho esquerdo e 3 do olho direito) Só 426 foram utilizadas.
10 Etapa 1 - Pré-processamento Análise de histograma Informação espacial e geométrica do domínio da aplicação
11 Etapa 2 - Extração de características PCA (Principal Component Analysis) - quatro conjuntos de vetores de características, variando a quantidade dos atributos constituintes Transformada de wavelet de Gabor - um único conjunto de vetores de características.
12 Etapa 2 - Extração de características PCA (Principal Component Analysis) - técnica de análise multivariada - objetivo é a redução da complexidade do problema, diminuindo a quantidade original de atributos funcionais para uma quantidade menor de atributos transformados. - técnica utilizada para reconhecimento de faces
13 Etapa 2 - Extração de características PCA (Principal Component Analysis) - cada imagem possui 400 x 400 ( ) pixels. Aplicando PCA às colunas de cada imagem, foram criadas matrizes de: - 16 x 400 (6.400) atributos - 55% - 35 x 400 (14.000) atributos - 68% - 70 x 400 (28.000) atributos - 81% Aplicando às colunas e linhas: x 10 (1.400) atributos - 90% Todos os vetores de características foram normalizados entre os valores -1 e 1 antes de serem disponibilizados para o módulo de análise.
14 Etapa 2 - Extração de características Transformada de wavelet de Gabor - permite representar a imagem toda com uma quantidade mínima de dados, podendo analisar tanto características mais grosseiras quanto mais finas. - são aproveitados na montagem de um vetor de características da imagem - há estudos de uso dessa técnica para aplicações no reconhecimento de indivíduos pela íris, reconhecimento de impressões digitais e de faces humanas em seqüências de vídeo
15 Etapa 2 - Extração de características Transformada de wavelet de Gabor dois parâmetros de entrada: orientação e escala número de características finais = orientação * escala * 2. valores foram definidos empiricamente, sendo orientação = 10 e escala = 10, resultando num vetor de 200 características vetor também foi normalizado com valores -1 e 1.
16 Etapa 3 - Análise Simulador utilizado para o treinamento das SVMs foi o SVMTorch Foi adotado como saída para o Sistema de Medição inteligente a resolução de precisão de 0,25 D (Dioptrias) para esférico (miopia e hipermetropia) e cilíndrico (astigmatismo), e 5 no eixo do astigmatismo. (Taxa de erro) - medida esférica (S) variando entre -1,75 D e +0,25 D; - cilíndrica (C) variando entre 0,0 e 1,25 D; - eixo do astigmatismo (A) variando entre 0 e 180.
17 Etapa 3 - Análise Entrada das SVMs foram os vetores de características com 6400 atributos obtidos do PCA e a saída esperada foram as medidas S, C e A. Alteração de parâmetros como tipo de núcleo (linear, polinomial, sigmoidal e gaussiano), critério de parada, e parâmetros específicos relacionados a cada um. Estimativa de erro - Random resampling - conjunto dividido 10 vezes em dois grupos: 80% para treino e 20% para teste - procurou-se manter uma distribuição uniforme das medidas
18 Etapa 3 - Análise A princípio, tratava-se de um problema de regressão
19 Etapa 3 - Análise Devido às elevadas taxas de erro obtidas para regressão, decidiu-se transformar o problema em um problema de classificação. Foram criadas : - 9 classes para a medida S (variando entre -1,75 D e +0,25 D com intervalos de 0,25 D) - 6 classes para a medida C (variando entre 0,0 D e 1,25 D com intervalos de 0,25 D) - 36 classes para medida A (variando entre 0 e 180 com intervalos de 5 ).
20 Etapa 3 - Análise
21 Etapa 3 - Análise Em seguida, optou-se por alterar o vetor utilizado para análise e usar aqueles com diferentes quantidades de atributos
22 Etapa 3 - Análise Em seguida, optou-se por alterar o vetor utilizado para análise e usar aqueles com diferentes quantidades de atributos
23 Etapa 3 - Análise Então, foram analisados os resultados utilizando os vetores gerados com a Transformada de Gabor
24 Etapa 3 - Análise Para determinar qual algoritmo obteve melhores resultados, foram realizados testes de hipótese a partir dos valores de média e desvio padrão combinados, para cada medida Se o resultado for maior que zero, Ap supera As. Se for maior ou igual a 2, é aceito com mais grau de confiança de 95%.
25 Etapa 3 - Análise
26 Etapa 3 - Análise
27 Etapa 3 - Análise
28 Etapa 3 - Análise
29 Etapa 3 - Análise
30 Considerações Finais Amostras disponíveis eram em pequena quantidade e apresentavam um espectro de medidas bastante reduzido Poucos exemplos de cada classe Diferenças de medidas entre imagens de um mesmo paciente Sugestão de novo banco com 30 imagens para cada olho Não foi possível comparar com outros trabalhos Acredita-se que Gabor teve melhor desempenho devido à melhor codificação de características geométricas relacionadas à textura Estão realizando estudos utilizando Redes Neurais Artificiais
31 Futuro Possibilidade de obter outras informações sobre a saúde do globo ocular. Futuro mapeamento completo do olho humano, utilizando um único aparelho. Introduzir o uso da técnica de AM descrita neste artigo à área de Optometria para análise de imagens do olho humano provenientes de vários métodos de aquisição.
Técnicas de Aprendizado de Máquina para análise de imagens oftalmológicas
Técnicas de Aprendizado de Máquina para análise de imagens oftalmológicas Giampaolo Luiz Libralão Rodrigo Mithuhiro Oshiro Antonio Valerio Netto André Ponce de L. F. de Carvalho Maria Cristina F. de Oliveira
Leia maisExtração de características de imagens do olho humano
Extração de características de imagens do olho humano ANTONIO VALERIO NETTO OSVALDO CESAR PINHEIRO DE ALMEIDA JOÃO DO ESPÍRITO SANTO BATISTA NETO MARIA CRISTINA FERREIRA DE OLIVEIRA (Orientadora) Instituto
Leia maisDETERMINAÇÃO DE VÍCIOS REFRATIVOS OCULARES UTILIZANDO SUPPORT VECTOR MACHINES
DETERMINAÇÃO DE VÍCIOS REFRATIVOS OCULARES UTILIZANDO SUPPORT VECTOR MACHINES Giampaolo Luiz Libralão 1 Antonio Valerio Netto 2 André Ponce de Leon F. de Carvalho 3 Maria Cristina Ferreira de Oliveira
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 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 maisProjeto Multiresolução de Operadores Morfológicos. Morfológicos a Partir de Exemplos
Projeto Multiresolução de Operadores Morfológicos a Partir de Exemplos Daniel André Vaquero Orientador: Junior Barrera Departamento de Ciência da Computação Instituto de Matemática e Estatística (IME)
Leia maisProcessamento e análise de imagens para medição de vícios de refração ocular
Processamento e análise de imagens para medição de vícios de refração ocular MSc. Antonio Valerio Netto Orientadora: Profa. Dra. Maria Cristina Ferreira de Oliveira Co-orientador: Prof. Dr. André Ponce
Leia maisRealce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens
Realce de imagens parte 1: operações pontuais SCC0251 Processamento de Imagens Prof. Moacir Ponti Jr. www.icmc.usp.br/~moacir Instituto de Ciências Matemáticas e de Computação USP 2013/1 Moacir Ponti Jr.
Leia maisBiometria: Processamento de Imagem para Reconhecimento de Padrões na Íris
Biometria: Processamento de Imagem para Reconhecimento de Padrões na Íris Biometria Impressões Digitais Íris Rosto Voz Gestos Etc. João Maltez e Leandro do Vale, 2005 Diapositivo 2 Utilização Geral Identificação/Verificação
Leia maisPrograma do Curso. Transformação de Dados. Sistemas Inteligentes Aplicados. Carlos Hall. Discretização de Variáveis Contínuas
Sistemas Inteligentes Aplicados Carlos Hall Programa do Curso Limpeza/Integração de Dados Transformação de Dados Discretização de Variáveis Contínuas Transformação de Variáveis Discretas em Contínuas Transformação
Leia maisPontifícia Universidade Católica do Rio de Janeiro. Departamento de Informática. Fundamentos de Computação Gráfica
1. Imagens sísmicas Pontifícia Universidade Católica do Rio de Janeiro Departamento de Informática Fundamentos de Computação Gráfica Aluno: Stelmo Magalhães Barros Netto Relatório do trabalho Imagens Sísmicas
Leia maisModelagem da Rede Neural. Modelagem da Rede Neural. Back Propagation. Modelagem da Rede Neural. Modelagem da Rede Neural. Seleção de Variáveis:
Back Propagation Fatores importantes para a modelagem da Rede Neural: Seleção de variáveis; veis; Limpeza dos dados; Representação das variáveis veis de entrada e saída; Normalização; Buscando melhor Generalização
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 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 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 maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 01 Motivação, áreas de aplicação e fundamentos Max Pereira Nem todo conhecimento tem o mesmo valor. O que torna determinado conhecimento mais importante que
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 maisClassificação de arritmias em sinais ECG
Classificação de arritmias em sinais ECG Eduardo Luz Rensso Mora Universidade Federal de Ouro Preto 06/10/2010 Summary 1 Introdução 2 3 4 5 Introdução Comparação entre três métodos para classificação de
Leia maisImplementação dos Algoritmos e Resultados
Capítulo 6 Implementação dos Algoritmos e Resultados 6.1 Considerações Iniciais Diversas situações foram exploradas neste trabalho visando analisar qual seria a wavelet mais adequada para sistemas de extração
Leia maisAprendizado de Máquina
Aprendizado de Máquina Fabrício Olivetti de França Universidade Federal do ABC Tópicos 1. Introdução 1 Introdução Aprendizado de Máquina Extração de conhecimento. Automatização de tarefas. Tomada de Decisões.
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 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 maisRESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS. Nielsen Castelo Damasceno
RESTAURAÇÃO E RECONSTRUÇÃO DE IMAGENS Nielsen Castelo Damasceno Restauração de imagem Procura recuperar uma imagem corrompida com base em um conhecimento a priori do fenômeno de degradação. Restauração
Leia maisProf. Fernando V. Paulovich 3 de agosto de SCC Computação Gráca
Dispositivos de Saída e SCC0250 - Computação Gráca Prof. Fernando V. Paulovich http://www.icmc.usp.br/~paulovic paulovic@icmc.usp.br Instituto de Ciências Matemáticas e de Computação (ICMC) Universidade
Leia maisReconhecimento de palma de mão. Peterson Wagner Kava de Carvalho
Reconhecimento de palma de mão Peterson Wagner Kava de Carvalho 1 Sumário 1. Introdução 2. Artigo 1: Palmprint Recognition a. Pré-Processamento b. Extração de Features c. Classificação d. Resultados 3.
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 maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Marcelo K. Albertini 14 de Setembro de 2015 2/22 Máquinas de Vetores de Suporte Support Vector Machines (SVM) O que é? Perceptron revisitado Kernels (núcleos) Otimização
Leia maisPROCESSAMENTO 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
Leia maisTópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da. Sylvio Barbon Jr
Tópicos Especiais em Reconhecimento de Padrões [2COP329] Mestrado em Ciência da Computação Sylvio Barbon Jr barbon@uel.br (2/20) Tema Aula 1 Introdução ao Reconhecimento de Padrões 1 Introdução 2 Referências
Leia mais2 Reconhecimento Facial
2 Reconhecimento Facial Em termos gerais, o reconhecimento facial é o processo pelo qual se mede o grau de similaridade entre duas imagens faciais com o proposito de identificar a um indivíduo ou de verificar
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 / 18 Descritores Locais e Frameworks SIFT SURF Viola-Jones
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 maisComputação Gráfica. Prof. MSc André Yoshimi Kusumoto
Computação Gráfica Prof. MSc André Yoshimi Kusumoto andrekusumoto.unip@gmail.com Primitivas gráficas em duas dimensões Matrizes em Computação Gráfica Todas as transformações geométricas podem ser representadas
Leia maisFACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS
FACULDADE CAMPO LIMPO PAULISTA (FACCAMP) COORDENADORIA DE EXTENSÃO E PESQUISA CURSO DE PÓS-GRADUAÇÃO LATO SENSU EM MINERAÇÃO E CIÊNCIA DOS DADOS PROJETO PEDAGÓGICO CAMPO LIMPO PAULISTA 2015 1. Público
Leia maisSCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Leia maisMáquinas de Vetores de Suporte
Máquinas de Vetores de Suporte Prof. Marcelo Keese Albertini Faculdade de Computação Universidade Federal de Uberlândia 19 de Junho de 2017 2/27 Máquinas de Vetores de Suporte Support Vector Machines (SVM)
Leia maisComputaçã. Visão Geral. Sistema Gráfico. Computação Gráfica. Pixels. Sistema Gráfico e o Frame Buffer. Introdução à Computação Gráfica
Visão Geral Computaçã ção o Gráfica Introduçã ção, conceitos básicosb sicos, áreas relacionadas Introdução à Computação Gráfica Como funciona um sistema gráfico Como imagens são representadas Áreas relacionadas,
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 ESTADUAL PAULISTA Campus de Sorocaba. Transformações Geométricas
UNIVERSIDADE ESTADUAL PAULISTA Campus de Sorocaba Transformações Geométricas .(x,y, P).(x,y, P) Imagem fonte Imagem transformada Deve-se notar que, como uma imagem digital é representada por uma matriz
Leia maisIntrodução ao Processamento de Imagens Digitais Aula 01
Introdução ao Processamento de Imagens Digitais Aula 01 Douglas Farias Cordeiro Universidade Federal de Goiás 06 de julho de 2015 Mini-currículo Professor do curso Gestão da Informação Formação: Graduação
Leia maisConteúdo da Apresentação
Extração de Regras Fuzzy para Máquina de Vetor Suporte (SVM) para Classificação em Múltiplas Classes Adriana da Costa F. Chaves Conteúdo da Apresentação Motivação Método de Extração de Regras Fuzzy Classificação
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 maisAula 7 Medidas de Distância. Profa. Elaine Faria UFU
Aula 7 Medidas de Distância Profa. Elaine Faria UFU - 2017 Agradecimentos Este material é baseado No livro Tan et al, 2006 Nos slides do prof Andre C. P. L. F. Carvalho Agradecimentos Ao professor André
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisInformática Parte 19 Prof. Márcio Hunecke
Escriturário Informática Parte 19 Prof. Márcio Hunecke Informática NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês: "machine learning") ou aprendizagem
Leia maisDTCOURO - Detecção Automática de Defeitos em Peles e Couros Bovinos
DTCOURO - Detecção Automática de Defeitos em Peles e Couros Bovinos Hemerson Pistori 1, Mauro Conti Pereira 1, Priscila Silva Martins 1, Eva Maria Corrêa Medeiros 2, Manuel Antonio Chagas Jacinto 2, Mariana
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 maisObservação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro
Observação da influência do uso de séries temporais no mapeamento de formações campestres nativas e pastagens cultivadas no Cerrado brasileiro Wanderson Santos Costa Trabalho do curso de Introdução ao
Leia maisReconhecedor de Alcoolismo
Gabriel Figueiredo I Maria Luísa Cantadori Ricardo Bernardina Projeto da disciplina PSI 2672 Introdução Objetivo: Criar uma rede neural capaz de encontrar uma relação entre o sinal do EEG e a predisposição
Leia maisTópicos Especiais em Informática Fatec Indaiatuba 13/07/2017
Inteligência de Negócios Fatec Indaiatuba Prof. Piva Compreender as definições e conceitos básicos da Mineração de Dados (MD) Entender o processo KDD (Knowledge Discovery Data) e MD Descrever as etapas
Leia maisConteúdo. 1 Introdução. Histograma do Quarto Sorteio da Nota Fiscal Paraná 032/16. Quarto Sorteio Eletrônico da Nota Fiscal Paraná
Quarto Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este documento apresenta a análise dos resultados
Leia maisAprendizado de Máquina (Machine Learning)
Ciência da Computação (Machine Learning) Aula 02 Representação dos dados Pré-processamento Max Pereira Tipo de Dados Os atributos usados para descrever objetos de dados podem ser de diferentes tipos: Quantitativos
Leia mais1.1 Tema Aprendizado de Máquina (Mit97) é o campo da Inteligência Artificial responsável pelo desenvolvimento de modelos inferidos automaticamente a
1 Introdução 1.1 Tema Aprendizado de Máquina (Mit97) é o campo da Inteligência Artificial responsável pelo desenvolvimento de modelos inferidos automaticamente a partir de dados. Existem diversas aplicações
Leia maisConsiderações de Desempenho
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 1 Dicas para o BP Os pesos devem
Leia mais2. Redes Neurais Artificiais
Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.6. Deep Learning 2.6.1. O Problema da Extração de Características
Leia maisUma Introdução a SVM Support Vector Machines. Obs: Baseada nos slides de Martin Law
Uma Introdução a SVM Support Vector Machines Obs: Baseada nos slides de Martin Law Sumário Historia das SVMs Duas classes, linearmente separáveis O que é um bom limite para a decisão? Duas classes, não
Leia maisBack Propagation. Dicas para o BP
Back Propagation Considerações de Desempenho Dicas para o BP O uso da função de ativação simétrica geralmente acelera o treinamento TANH +1 logistic linear 0 tanh -1-4 +4 11 Dicas para o BP Os pesos devem
Leia maisProcessamento de Imagens e Aplicações
Processamento de Imagens e Aplicações João do E. S. Batista Neto Instituto de Ciências Matemáticas e de Computação ICMC-USP Domício Pinheiro Agência Estado fica á r G o utaçã p m o C Vis ão Co mp u t ac
Leia maisProcessamento Digital de Imagens
1 Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e de Imagens Sensoriamento Remoto 2 Introdução Espectro Eletromagnético
Leia maisProcessamento Digital de Imagens
Ciência da Computação Processamento Digital de Imagens Prof. Sergio Ribeiro Tópicos Introdução Espectro Eletromagnético Aquisição e Digitalização de Imagens Efeitos da Digitalização Digitalização Sensoriamento
Leia maisComputação e Imagens: PI, CG e Visualização. Computação Visual
Computação e Imagens: PI, CG e Visualização Computação Visual Instituto de Ciências Matemáticas e de Computação ICMC-USP São Carlos, 2016 1 Roteiro Visão Geral das áreas da computação que envolvem manipulação
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 maisExame de Aprendizagem Automática
Exame de Aprendizagem Automática 2 páginas com 12 perguntas e 3 folhas de resposta. Duração: 2 horas e 30 minutos DI, FCT/UNL, 12 de Janeiro de 2017 Nota: O exame está cotado para 40 valores. Os 20 valores
Leia maisRastreamento de Objetos Baseado em Grafos. Casamento Inexato entre Grafos Relacionais com Atributos
Rastreamento de Objetos Baseado em Casamento Inexato entre Grafos Relacionais com Atributos Exame de Qualificação de Mestrado Ana Beatriz Vicentim Graciano Orientador: Roberto M. Cesar Jr. Colaboradora:
Leia maisVisão Computacional e Aplicações
Visão Computacional e Aplicações João do E. S. Batista Neto Instituto de Ciências Matemáticas e de Computação ICMC-USP Domício Pinheiro Agência Estado fica á r G o utaçã p m o C Vis ã oc om pu t ac ion
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 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 maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular Tópicos André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Mineração de Dados Introdução Mineração de Dados Aprendizado de Máquina Métodos Preditivos Métodos
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 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 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 maisMotivação Por que estudar?
Aula 04 Imagens Diogo Pinheiro Fernandes Pedrosa Universidade Federal Rural do Semiárido Departamento de Ciências Exatas e Naturais Curso de Ciência da Computação Motivação Por que estudar? Imagens digitais
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 maisAvaliação de características para o reconhecimento de faces por meio de Wavelets
Avaliação de características para o reconhecimento de faces por meio de Wavelets Leandro L. G. Oliveira Leandroluis@inf.ufg.br Instituto de Informática - UFG Eduardo S. de Albuquerque eduardo@inf.ufg.br
Leia maisCAPÍTULO 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,
Leia maisSEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS
SEGMENTAÇÃO E RECONHECIMENTO DA ÍRIS Edno José Bozoli Junior¹, Osvaldo Severino Junior². 1. Universitário do curso de Ciências da Computação Rodovia Vicinal Raul Galvani nº. 831, Centro, CEP: 15.845-000
Leia maisInteligência Artificial. Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA
Inteligência Artificial Prof. Tiago A. E. Ferreira Aula 21 Projeto de RNA Projeto de Redes Neurais Projeto de Redes Neurais Baseado apenas em dados Exemplos para treinar uma rede devem ser compostos por
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 maisSLAM Visual. Fernando Zuher Mohamad Said Cavalcante Orientadora: Profª. Drª. Roseli Romero Mestrado em Computação, ICMC-USP
SLAM Visual Fernando Zuher Mohamad Said Cavalcante Orientadora: Profª. Drª. Roseli Romero Mestrado em Computação, ICMC-USP Divisão da apresentação 1. Introdução O que é SLAM? Classificação adotada 2. Principais
Leia maisMedidas em Laboratório
Medidas em Laboratório Prof. Luis E. Gomez Armas Lab. de Física Unipampa, Alegrete 1 o Semestre 2014 Sumário O que é fazer um experimento? Medidas diretas e indiretas Erros e sua classificação Algaritmos
Leia maisApresentação do Curso e da Área de Processamento de Imagem Digital
Apresentação do Curso e da Área de Processamento de Imagem Digital Instituto de Computação - UNICAMP afalcao@ic.unicamp.br Introdução Este curso abordará conceitos e técnicas de processamento de imagem
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 maisDesenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea
Desenvolvimento de um método para segmentação de imagens histológicas da rede vascular óssea Pedro Henrique Campos Cunha Gondim Orientador: André Ricardo Backes Coorientador: Bruno Augusto Nassif Travençolo
Leia maisVISÃO COMPUTACIONAL. Marcelo Henrique dos Santos
VISÃO COMPUTACIONAL Marcelo Henrique dos Santos marcelosantos@outlook.com São Paulo SP, Agosto/2013 INTRODUÇÃO Processamento de imagens é um processo onde a entrada do sistema é uma imagem e a saída é
Leia maisInformática. Aprendizado de Máquina. Professor Márcio Hunecke.
Informática Aprendizado de Máquina Professor Márcio Hunecke www.acasadoconcurseiro.com.br Informática Aula XX NOÇÕES DE ALGORITMOS DE APRENDIZADO O aprendizado automático, aprendizado de máquina (em inglês:
Leia maisDescoberta de conhecimento em redes sociais e bases de dados públicas
Descoberta de conhecimento em redes sociais e bases de dados públicas Trabalho de Formatura Supervisionado Bacharelado em Ciência da Computação - IME USP Aluna: Fernanda de Camargo Magano Orientadora:
Leia maisÓPTICA GEOMÉTRICA PREGOLINI
LENTES ESFÉRICAS LENTES CONVERGENTES ÓPTICA GEOMÉTRICA PREGOLINI Elementos Propriedades Construção Geométrica de Imagens LENTES DIVERGENTES Elementos Propriedades Construção Geométrica de Imagens CONVERGÊNCIA
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 maisDETERMINAÇÃO DE VÍCIOS REFRATIVOS OCULARES UTILIZANDO SUPPORT VECTOR MACHINES
DETERMINAÇÃO DE VÍCIOS REFRATIVOS OCULARES UTILIZANDO SUPPORT VECTOR MACHINES Giampaolo Luiz Libralão 1, Antonio Valerio Netto, André Ponce de Leon F. de Carvalho 3, Maria Cristina Ferreira de Oliveira
Leia maisReconhecimento facial. uma aplicação prática do reconhecimento de padrões
Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento
Leia maisIntrodução Trabalhos Relacionados Metodologia Resultados Considerações Finais. Aluna: Aline Dartora Orientador: Prof. Dr. Lucas Ferrari de Oliveira
Análise de Extratores de Características para a Classificação de Tecidos Pulmonares e Não-Pulmonares em Imagens de Tomografia Computadorizada de Alta Resolução Aluna: Aline Dartora Orientador: Prof. Dr.
Leia maisINTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM INTRODUÇÃO
INTERPOLAÇÃO LINEAR E BILINEAR: APLICAÇÃO EM TRANSFORMAÇÕES GEOMÉTRICAS DE IMAGEM Autores: Giulia Denise Kujat VIEIRA; Milene Karine GUBETTI. Identificação autores: Estudantes do Curso Técnico em Informática
Leia maisVisão Computacional. Prof. Leandro Augusto Frata Fernandes TCC Introdução à Ciência da Computação (2012.
Visão Computacional Prof. Leandro Augusto Frata Fernandes laffernandes@ic.uff.br TCC-00.169 Introdução à Ciência da Computação (2012.1) Visão Humana Responsável por cerca de 75% de nossa percepção O ato
Leia maisFÍSICA EXPERIMENTAL C ( )
FÍSICA EXPERIMENTAL C (4323301) REPRESENTAÇÃO DE INCERTEZAS EM RESULTADOS EXPERIMENTAIS Medida, erro e incerteza Qualquer medida física possui sempre um valor verdadeiro, que é sempre desconhecido, e um
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 maisAUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS
AUTOMATED ASSESSMENT OF BREAST TISSUE DENSITY IN DIGITAL MAMMOGRAMS Introdução Câncer de mama É uma das neoplasias mais comuns que afligem as mulheres Globalmente, a cada 3 min uma mulher é diagnosticada
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS MÓDULO 05 Unidade Universitária de Ciências Exatas e Tecnológicas UnUCET Anápolis 1 2 MÓDULO 05 CALIBRAÇÃO MULTIVARIADA
Leia maisMineração de Dados em Biologia Molecular
Mineração de Dados em Biologia Molecular André C. P. L. F. de Carvalho Monitor: Valéria Carvalho Agrupamento de Dados Tópicos Agrupamento de dados Análise de cluster Dificuldades em agrupamento Algoritmos
Leia mais