Multi-class discriminant analysis based on support vector machine ensembles
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Tese |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações do LNCC |
Texto Completo: | https://tede.lncc.br/handle/tede/311 |
Resumo: | Muitas áreas, como reconhecimento de padrões e análise de bancos de dados de imagens requerem o gerenciamento de conjuntos de dados originalmente representados em espaços de alta dimensionais. Além disso, a representação original dos dados sofre, em geral, de redundância e ruído. Assim, nós devemos determinar um espaço de características mais adequado, reduzindo tanto a dimensão quanto a redundância da representação, a fim de minimizar o custo computacional de outras operações. Uma vez que um espaço de características tenha sido definido há a necessidade de determinar as características discriminantes mais importantes para reconhecimento de padrões, como classificação. Técnicas de análise discriminante, que na literatura são conhecidas como funções discrim- inantes, procuram resolver este tipo de problema. Então, o objetivo da tese proposta é desenvolver métodos de análise discriminante para problemas de classificação multi classe. A ideia chave é combinar N classificadores para formar uma função discriminante global, que permita ordenar as componentes do espaço de acordo com a importância de cada característica para a classificação. Para atingir esse objetivo, nós usamos hiperplanos computados por SVMs lineares (support vector machines) ou definidos por uma superfície de decisão gerada pelo Kernel SVM (Kernel support vector machine) e usamos metodologia ensemble conhecida como AdaBoost.M2 para combinar os classificadores lineares fracos. Mais especificamente, as técnicas propostas procuram gerar versões multi-classe do DPCA ( Discriminant Principal Component Analysis), que foi originalmente desenvolvido para problemas binários. Neste trabalho, PCA (Principal Component Analysis), redes neurais convolucionais (Convolution Neural Networks (CNNs)) e descritores de textura, são usados para criar espaços de características que servem como entrada para realizar análise discrim- inante. Em termos de aplicação, para validação das técnicas propostas, nosso foco são faces humanas e imagens de textura obtidas a partir de ladrilhos de granito. Nossos resultados experimentais mostraram que as características selecionados por nossa proposta permitem taxas de reconhecimento mais altas usando menos características quando comparado com métodos relacionados, bem como reconstrução e interpretação robustas dos dados. Como trabalhos futuros, nós exploraremos técnicas de aprendizagem profunda, imagens coloridas, subespaços tensoriais, bem como buscaremos melhorar o desempenho. |
id |
LNCC_30cd4991a7833f4966f738ebf59bce36 |
---|---|
oai_identifier_str |
oai:tede-server.lncc.br:tede/311 |
network_acronym_str |
LNCC |
network_name_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
repository_id_str |
|
spelling |
Giraldi, Gilson AntonioGiraldi, Gilson AntonioPorto, Fabio André MachadoFeitosa, Raul QueirozConci, Aurahttp://lattes.cnpq.br/5930601059782342Filisbino, Tiene Andre2023-03-02T18:21:51Z2019-05-17FILISBINO, T. A. Multi-class discriminant analysis based on support vector machine ensembles. 2019. 114 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2019.https://tede.lncc.br/handle/tede/311Muitas áreas, como reconhecimento de padrões e análise de bancos de dados de imagens requerem o gerenciamento de conjuntos de dados originalmente representados em espaços de alta dimensionais. Além disso, a representação original dos dados sofre, em geral, de redundância e ruído. Assim, nós devemos determinar um espaço de características mais adequado, reduzindo tanto a dimensão quanto a redundância da representação, a fim de minimizar o custo computacional de outras operações. Uma vez que um espaço de características tenha sido definido há a necessidade de determinar as características discriminantes mais importantes para reconhecimento de padrões, como classificação. Técnicas de análise discriminante, que na literatura são conhecidas como funções discrim- inantes, procuram resolver este tipo de problema. Então, o objetivo da tese proposta é desenvolver métodos de análise discriminante para problemas de classificação multi classe. A ideia chave é combinar N classificadores para formar uma função discriminante global, que permita ordenar as componentes do espaço de acordo com a importância de cada característica para a classificação. Para atingir esse objetivo, nós usamos hiperplanos computados por SVMs lineares (support vector machines) ou definidos por uma superfície de decisão gerada pelo Kernel SVM (Kernel support vector machine) e usamos metodologia ensemble conhecida como AdaBoost.M2 para combinar os classificadores lineares fracos. Mais especificamente, as técnicas propostas procuram gerar versões multi-classe do DPCA ( Discriminant Principal Component Analysis), que foi originalmente desenvolvido para problemas binários. Neste trabalho, PCA (Principal Component Analysis), redes neurais convolucionais (Convolution Neural Networks (CNNs)) e descritores de textura, são usados para criar espaços de características que servem como entrada para realizar análise discrim- inante. Em termos de aplicação, para validação das técnicas propostas, nosso foco são faces humanas e imagens de textura obtidas a partir de ladrilhos de granito. Nossos resultados experimentais mostraram que as características selecionados por nossa proposta permitem taxas de reconhecimento mais altas usando menos características quando comparado com métodos relacionados, bem como reconstrução e interpretação robustas dos dados. Como trabalhos futuros, nós exploraremos técnicas de aprendizagem profunda, imagens coloridas, subespaços tensoriais, bem como buscaremos melhorar o desempenho.Many areas such as pattern recognition and analysis of image databases require the managing of datasets originally represented in high dimensional spaces. Besides, the original data representation suffers, in general, of redundancy and noise. Thus, we must compute a more suitable feature space, reducing both the dimension and redundancy of representation in order to minimize the computational cost of further operations. Once a feature space has been defined there is the necessity of determining the most important discriminant features for pattern recognition tasks, like classification. Discriminant analysis techniques, which in the literature are known as discriminant functions, seek to solve this type of problem. Thus, the goal of the proposed thesis is to develop discriminant analysis methods for multi-class classification problems. The key idea is to combine N classifiers to form a global discriminant function, which allows to rank the components of the space according to the importance of each feature to the classification. To achieve this goal, we use separate hyperplanes computed by linear support vector machines (SVMs) or defined by a Kernel SVM (KSVM) decision boundary, and use the ensemble methodology known as AdaBoost.M2 to combine the weak linear classifiers. More specifically, our proposed techniques seek to generate multi-class versions of the Discriminant Principal Component Analysis (DPCA), which was originally developed for binary problems. In this work, principal components analysis (PCA), Convolutional neural networks (CNNs) and texture descriptors, are used to create feature spaces that serve as input to perform discriminant analysis. In terms of application for validation of the proposed techniques our focus are human face and texture images obtained from granite tiles. Our experimental results have shown that the features selected by our proposal allow higher recognition rates using less features when compared with related methods as well as robust reconstruction and interpretation of the data. Further works will be undertaken by exploring deep learning methods, color images, tensor subspaces as well as to improve performance.Submitted by Parícia Vieira Silva (library@lncc.br) on 2023-03-02T18:21:28Z No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tiene Filisbino_Tese2019.pdf: 7797349 bytes, checksum: 0887a52ca55a990f141e30f456e80de2 (MD5)Approved for entry into archive by Parícia Vieira Silva (library@lncc.br) on 2023-03-02T18:21:42Z (GMT) No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tiene Filisbino_Tese2019.pdf: 7797349 bytes, checksum: 0887a52ca55a990f141e30f456e80de2 (MD5)Made available in DSpace on 2023-03-02T18:21:51Z (GMT). No. of bitstreams: 2 license_rdf: 0 bytes, checksum: d41d8cd98f00b204e9800998ecf8427e (MD5) Tiene Filisbino_Tese2019.pdf: 7797349 bytes, checksum: 0887a52ca55a990f141e30f456e80de2 (MD5) Previous issue date: 2019-05-17Conselho Nacional de Desenvolvimento Científico e Tecnológicoapplication/pdfhttp://tede-server.lncc.br:8080/retrieve/1162/Tiene%20Filisbino_Tese2019.pdf.jpgengLaboratório Nacional de Computação CientíficaPrograma de Pós-Graduação em Modelagem ComputacionalLNCCBrasilCoordenação de Pós-Graduação e Aperfeiçoamento (COPGA)http://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessProbabilidadesEstatísticaAnálise multivariadaCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAOMulti-class discriminant analysis based on support vector machine ensemblesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Biblioteca Digital de Teses e Dissertações do LNCCinstname:Laboratório Nacional de Computação Científica (LNCC)instacron:LNCCLICENSElicense.txtlicense.txttext/plain; charset=utf-82165http://tede-server.lncc.br:8080/tede/bitstream/tede/311/1/license.txtbd3efa91386c1718a7f26a329fdcb468MD51CC-LICENSElicense_urllicense_urltext/plain; charset=utf-849http://tede-server.lncc.br:8080/tede/bitstream/tede/311/2/license_url4afdbb8c545fd630ea7db775da747b2fMD52license_textlicense_texttext/html; charset=utf-80http://tede-server.lncc.br:8080/tede/bitstream/tede/311/3/license_textd41d8cd98f00b204e9800998ecf8427eMD53license_rdflicense_rdfapplication/rdf+xml; charset=utf-80http://tede-server.lncc.br:8080/tede/bitstream/tede/311/4/license_rdfd41d8cd98f00b204e9800998ecf8427eMD54ORIGINALTiene Filisbino_Tese2019.pdfTiene Filisbino_Tese2019.pdfapplication/pdf7797349http://tede-server.lncc.br:8080/tede/bitstream/tede/311/5/Tiene+Filisbino_Tese2019.pdf0887a52ca55a990f141e30f456e80de2MD55TEXTTiene Filisbino_Tese2019.pdf.txtTiene Filisbino_Tese2019.pdf.txttext/plain224594http://tede-server.lncc.br:8080/tede/bitstream/tede/311/6/Tiene+Filisbino_Tese2019.pdf.txtd8ff87501ffbaa99618419fda27b51f9MD56THUMBNAILTiene Filisbino_Tese2019.pdf.jpgTiene Filisbino_Tese2019.pdf.jpgimage/jpeg3341http://tede-server.lncc.br:8080/tede/bitstream/tede/311/7/Tiene+Filisbino_Tese2019.pdf.jpg74f19491c6ecf953756c9a5c0d9ff228MD57tede/3112023-03-03 01:06:37.341oai:tede-server.lncc.br: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Biblioteca Digital de Teses e Dissertaçõeshttps://tede.lncc.br/PUBhttps://tede.lncc.br/oai/requestlibrary@lncc.br||library@lncc.bropendoar:2023-03-03T04:06:37Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC)false |
dc.title.por.fl_str_mv |
Multi-class discriminant analysis based on support vector machine ensembles |
title |
Multi-class discriminant analysis based on support vector machine ensembles |
spellingShingle |
Multi-class discriminant analysis based on support vector machine ensembles Filisbino, Tiene Andre Probabilidades Estatística Análise multivariada CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO |
title_short |
Multi-class discriminant analysis based on support vector machine ensembles |
title_full |
Multi-class discriminant analysis based on support vector machine ensembles |
title_fullStr |
Multi-class discriminant analysis based on support vector machine ensembles |
title_full_unstemmed |
Multi-class discriminant analysis based on support vector machine ensembles |
title_sort |
Multi-class discriminant analysis based on support vector machine ensembles |
author |
Filisbino, Tiene Andre |
author_facet |
Filisbino, Tiene Andre |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Giraldi, Gilson Antonio |
dc.contributor.referee1.fl_str_mv |
Giraldi, Gilson Antonio |
dc.contributor.referee2.fl_str_mv |
Porto, Fabio André Machado |
dc.contributor.referee3.fl_str_mv |
Feitosa, Raul Queiroz |
dc.contributor.referee4.fl_str_mv |
Conci, Aura |
dc.contributor.authorLattes.fl_str_mv |
http://lattes.cnpq.br/5930601059782342 |
dc.contributor.author.fl_str_mv |
Filisbino, Tiene Andre |
contributor_str_mv |
Giraldi, Gilson Antonio Giraldi, Gilson Antonio Porto, Fabio André Machado Feitosa, Raul Queiroz Conci, Aura |
dc.subject.por.fl_str_mv |
Probabilidades Estatística Análise multivariada |
topic |
Probabilidades Estatística Análise multivariada CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO |
dc.subject.cnpq.fl_str_mv |
CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO |
description |
Muitas áreas, como reconhecimento de padrões e análise de bancos de dados de imagens requerem o gerenciamento de conjuntos de dados originalmente representados em espaços de alta dimensionais. Além disso, a representação original dos dados sofre, em geral, de redundância e ruído. Assim, nós devemos determinar um espaço de características mais adequado, reduzindo tanto a dimensão quanto a redundância da representação, a fim de minimizar o custo computacional de outras operações. Uma vez que um espaço de características tenha sido definido há a necessidade de determinar as características discriminantes mais importantes para reconhecimento de padrões, como classificação. Técnicas de análise discriminante, que na literatura são conhecidas como funções discrim- inantes, procuram resolver este tipo de problema. Então, o objetivo da tese proposta é desenvolver métodos de análise discriminante para problemas de classificação multi classe. A ideia chave é combinar N classificadores para formar uma função discriminante global, que permita ordenar as componentes do espaço de acordo com a importância de cada característica para a classificação. Para atingir esse objetivo, nós usamos hiperplanos computados por SVMs lineares (support vector machines) ou definidos por uma superfície de decisão gerada pelo Kernel SVM (Kernel support vector machine) e usamos metodologia ensemble conhecida como AdaBoost.M2 para combinar os classificadores lineares fracos. Mais especificamente, as técnicas propostas procuram gerar versões multi-classe do DPCA ( Discriminant Principal Component Analysis), que foi originalmente desenvolvido para problemas binários. Neste trabalho, PCA (Principal Component Analysis), redes neurais convolucionais (Convolution Neural Networks (CNNs)) e descritores de textura, são usados para criar espaços de características que servem como entrada para realizar análise discrim- inante. Em termos de aplicação, para validação das técnicas propostas, nosso foco são faces humanas e imagens de textura obtidas a partir de ladrilhos de granito. Nossos resultados experimentais mostraram que as características selecionados por nossa proposta permitem taxas de reconhecimento mais altas usando menos características quando comparado com métodos relacionados, bem como reconstrução e interpretação robustas dos dados. Como trabalhos futuros, nós exploraremos técnicas de aprendizagem profunda, imagens coloridas, subespaços tensoriais, bem como buscaremos melhorar o desempenho. |
publishDate |
2019 |
dc.date.issued.fl_str_mv |
2019-05-17 |
dc.date.accessioned.fl_str_mv |
2023-03-02T18:21:51Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
FILISBINO, T. A. Multi-class discriminant analysis based on support vector machine ensembles. 2019. 114 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2019. |
dc.identifier.uri.fl_str_mv |
https://tede.lncc.br/handle/tede/311 |
identifier_str_mv |
FILISBINO, T. A. Multi-class discriminant analysis based on support vector machine ensembles. 2019. 114 f. Tese (Programa de Pós-Graduação em Modelagem Computacional) - Laboratório Nacional de Computação Científica, Petrópolis, 2019. |
url |
https://tede.lncc.br/handle/tede/311 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.publisher.program.fl_str_mv |
Programa de Pós-Graduação em Modelagem Computacional |
dc.publisher.initials.fl_str_mv |
LNCC |
dc.publisher.country.fl_str_mv |
Brasil |
dc.publisher.department.fl_str_mv |
Coordenação de Pós-Graduação e Aperfeiçoamento (COPGA) |
publisher.none.fl_str_mv |
Laboratório Nacional de Computação Científica |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações do LNCC instname:Laboratório Nacional de Computação Científica (LNCC) instacron:LNCC |
instname_str |
Laboratório Nacional de Computação Científica (LNCC) |
instacron_str |
LNCC |
institution |
LNCC |
reponame_str |
Biblioteca Digital de Teses e Dissertações do LNCC |
collection |
Biblioteca Digital de Teses e Dissertações do LNCC |
bitstream.url.fl_str_mv |
http://tede-server.lncc.br:8080/tede/bitstream/tede/311/1/license.txt http://tede-server.lncc.br:8080/tede/bitstream/tede/311/2/license_url http://tede-server.lncc.br:8080/tede/bitstream/tede/311/3/license_text http://tede-server.lncc.br:8080/tede/bitstream/tede/311/4/license_rdf http://tede-server.lncc.br:8080/tede/bitstream/tede/311/5/Tiene+Filisbino_Tese2019.pdf http://tede-server.lncc.br:8080/tede/bitstream/tede/311/6/Tiene+Filisbino_Tese2019.pdf.txt http://tede-server.lncc.br:8080/tede/bitstream/tede/311/7/Tiene+Filisbino_Tese2019.pdf.jpg |
bitstream.checksum.fl_str_mv |
bd3efa91386c1718a7f26a329fdcb468 4afdbb8c545fd630ea7db775da747b2f d41d8cd98f00b204e9800998ecf8427e d41d8cd98f00b204e9800998ecf8427e 0887a52ca55a990f141e30f456e80de2 d8ff87501ffbaa99618419fda27b51f9 74f19491c6ecf953756c9a5c0d9ff228 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações do LNCC - Laboratório Nacional de Computação Científica (LNCC) |
repository.mail.fl_str_mv |
library@lncc.br||library@lncc.br |
_version_ |
1797683219354615808 |