Multi-class discriminant analysis based on support vector machine ensembles

• Autor(a) principal: Filisbino, Tiene Andre
• 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
• topic: Probabilidades; Estatística; Análise multivariada; CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::MATEMATICA DA COMPUTACAO

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.