Normalização espacial não rígida de imagens assistida por metamodelos

• Autor(a) principal: Dal Fabbro, D. A.
• Data de Publicação: 2018
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da FEI
• Texto Completo: https://repositorio.fei.edu.br/handle/FEI/302
• topic: Reconhecimento de padrões; Processamento de imagens; Normalização espacial de imagens; Otimização assistida por metamodelos

Classicamente aplicados em simulações computacionais como CFD (Computational Fluid Dynamics) e FEM (Finite Element Method), metamodelos para otimização trouxeram resultados relevantes para aproximar a função objetivo no espaço de busca e resolver problemas em que o cálculo da função objetivo exige elevados recursos computacionais. Recentemente, com a evolução de novos algoritmos de aprendizado de máquina e reconhecimento de padrões, esta técnica também mostrou-se bem sucedida para acelerar o processo de ajuste dos hiperparâmetros de modelos que antes dependiam de um conhecimento profundo sobre os seus fundamentos matemáticos ou da busca exaustiva pelos parâmetros ótimos. Neste contexto, esta dissertação propõe uma metodologia para aplicação de otimização assistida por metamodelos na área de visão computacional, mais especificamente em normalização espacial não rígida de imagens. Este tópico de pesquisa tem sido pouco explorado pela literatura de otimização assistida por metamodelos, além de ser computacionalmente complexo devido às múltiplas opções de ajuste dos parâmetros. Denominada aqui de Normalização Espacial Não Rígida de Imagens Assistida por Metamodelos, a metodologia proposta descreve uma nova métrica que leva em consideração o compromisso em deformar os elementos geométricos da imagem preservando suas características estatísticas principais. Este estudo descreve também duas taxonomias, uma metodologia proposta. Após os experimentos em três bases de imagens distintas, os resultados obtidos mostram que a qualidade da normalização espacial não rígida pode ser otimizada por meio da métrica proposta, e o metamodelo construído auxilia tanto no processo de otimização como na compreensão maior do comportamento da função objetivo no espaço de busca.