Pattern-set Representations using Linear, Shallow and Tensor Subspaces
Autor(a) principal: | |
---|---|
Data de Publicação: | 2020 |
Outros Autores: | , |
Tipo de documento: | Tese |
Idioma: | eng |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFAM |
Texto Completo: | https://tede.ufam.edu.br/handle/tede/8436 |
Resumo: | A classificação de conjuntos de padrões pertence a uma classe de problemas em que a aprendizagem ocorre por meio de conjuntos, ao invés de exemplos. Muito utilizada em visão computacional, esta abordagem tem a vantagem de possuir baixo tempo de processamento e robustez a variações como iluminação, parâmetros intrínsecos dos dispositivos de captura de sinal e pose do objeto analisado. Inspirado por aplicações de métodos de subespaços, três novas coleções de m´métodos são apresentadas nesta tese: (1) Novas representações para conjuntos de imagens e vídeos bidimensionais; (2) Redes rasas para classificação de imagens; e (3) Subespaços para representação e classificação de tensores. Novas representações são propostas com o objetivo de preservar a estrutura espacial e manter um rápido tempo de processamento. Também introduzimos uma t´técnica para manter a estrutura temporal, mesmo utilizando a análise de componentes principais, que classicamente não preserva a ordem dos dados. Em redes rasas, apresentamos duas redes neurais convulsionais que não precisam de retropropagação, empregando apenas subespaços para seus filtros de convolução. Além dos resultados de classificação serem competitivos, as redes propostas apresentam vantagem quando o tempo disponível para aprendizagem ´e limitado. Por fim, para tratar dados multidimensionais, como dados de vídeo, propomos dois m´métodos que empregam subespaços para representar esse tipo de dados de forma compacta e discriminativa. Além dos novos métodos introduzidos, nosso trabalho proposto tem sido aplicado em outros problemas além da visão computacional, como representação e classificação de dados hipoacústicos e padrões de texto |
id |
UFAM_7a1e85a5cf317f7b2157ff53b01bb586 |
---|---|
oai_identifier_str |
oai:https://tede.ufam.edu.br/handle/:tede/8436 |
network_acronym_str |
UFAM |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository_id_str |
6592 |
spelling |
Pattern-set Representations using Linear, Shallow and Tensor SubspacesRepresentações de conjuntos de padrões usando subespaços lineares, rasos e tensoriaisCIENCIAS EXATAS E DA TERRARepresentação de subespacosRedes rasasAprendizado de variedadesAnálise de tensoresSubspace representationShallow networksManifold learningTensor analysisA classificação de conjuntos de padrões pertence a uma classe de problemas em que a aprendizagem ocorre por meio de conjuntos, ao invés de exemplos. Muito utilizada em visão computacional, esta abordagem tem a vantagem de possuir baixo tempo de processamento e robustez a variações como iluminação, parâmetros intrínsecos dos dispositivos de captura de sinal e pose do objeto analisado. Inspirado por aplicações de métodos de subespaços, três novas coleções de m´métodos são apresentadas nesta tese: (1) Novas representações para conjuntos de imagens e vídeos bidimensionais; (2) Redes rasas para classificação de imagens; e (3) Subespaços para representação e classificação de tensores. Novas representações são propostas com o objetivo de preservar a estrutura espacial e manter um rápido tempo de processamento. Também introduzimos uma t´técnica para manter a estrutura temporal, mesmo utilizando a análise de componentes principais, que classicamente não preserva a ordem dos dados. Em redes rasas, apresentamos duas redes neurais convulsionais que não precisam de retropropagação, empregando apenas subespaços para seus filtros de convolução. Além dos resultados de classificação serem competitivos, as redes propostas apresentam vantagem quando o tempo disponível para aprendizagem ´e limitado. Por fim, para tratar dados multidimensionais, como dados de vídeo, propomos dois m´métodos que empregam subespaços para representar esse tipo de dados de forma compacta e discriminativa. Além dos novos métodos introduzidos, nosso trabalho proposto tem sido aplicado em outros problemas além da visão computacional, como representação e classificação de dados hipoacústicos e padrões de textoPattern-set matching belongs to a class of problems where learning takes place through sets rather than elements. Much used in computer vision, this approach has the advantage of having a low processing time and robustness to variations such as illumination, intrinsic parameters of the signal capture devices and pose of the analyzed object. Inspired by applications of subspace methods, three new collections of methods are presented in this thesis: (1) New representations for sets of two-dimensional images and videos; (2) Shallow networks for image classification; and (3) Subspaces for tensor representation and classification. New representations are proposed with the aim of preserving the spatial structure and maintaining a fast processing time. We also introduce a technique to maintain temporal structure, even using the principal component analysis, which classically does not preserve the data's order. In shallow networks, we present two convolutional neural networks that do not need backpropagation, employing only subspaces for its convolution filters. In addition to their competitive classification results, the proposed networks present an advantage when the time available for learning is limited. Finally, to handle multidimensional data, such as video data, we propose two methods that employ subspaces to represent this kind of data in a compact and discriminative way. In addition to the new methods introduced, our proposed work has been applied in problems other than computer vision, such as representation and classification of bioacoustics and text patterns.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorFAPEAM - Fundação de Amparo à Pesquisa do Estado do AmazonasUniversidade Federal do AmazonasInstituto de ComputaçãoBrasilUFAMPrograma de Pós-graduação em InformáticaSantos, Eulanda Miranda doshttp://lattes.cnpq.br/3054990742969890Koerich, Alessandro LameirasAraújo, Gabriel MatosCristo, Marco Antonio Pinheiro deGatto, Bernardo Benteshttp://lattes.cnpq.br/09062397848124300000-0001-9639-81882021-09-09T02:23:34Z2020-10-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfPattern-set Representations using Linear, Shallow and Tensor Subspaces, 2020, 158, Tese, Programa de Pós-graduação em Informática, Universidade Federal do Amazonas, Brasilhttps://tede.ufam.edu.br/handle/tede/8436enghttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFAMinstname:Universidade Federal do Amazonas (UFAM)instacron:UFAM2021-09-09T05:03:29Zoai:https://tede.ufam.edu.br/handle/:tede/8436Biblioteca Digital de Teses e Dissertaçõeshttp://200.129.163.131:8080/PUBhttp://200.129.163.131:8080/oai/requestddbc@ufam.edu.br||ddbc@ufam.edu.bropendoar:65922021-09-09T05:03:29Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM)false |
dc.title.none.fl_str_mv |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces Representações de conjuntos de padrões usando subespaços lineares, rasos e tensoriais |
title |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces |
spellingShingle |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces Gatto, Bernardo Bentes CIENCIAS EXATAS E DA TERRA Representação de subespacos Redes rasas Aprendizado de variedades Análise de tensores Subspace representation Shallow networks Manifold learning Tensor analysis |
title_short |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces |
title_full |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces |
title_fullStr |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces |
title_full_unstemmed |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces |
title_sort |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces |
author |
Gatto, Bernardo Bentes |
author_facet |
Gatto, Bernardo Bentes http://lattes.cnpq.br/0906239784812430 0000-0001-9639-8188 |
author_role |
author |
author2 |
http://lattes.cnpq.br/0906239784812430 0000-0001-9639-8188 |
author2_role |
author author |
dc.contributor.none.fl_str_mv |
Santos, Eulanda Miranda dos http://lattes.cnpq.br/3054990742969890 Koerich, Alessandro Lameiras Araújo, Gabriel Matos Cristo, Marco Antonio Pinheiro de |
dc.contributor.author.fl_str_mv |
Gatto, Bernardo Bentes http://lattes.cnpq.br/0906239784812430 0000-0001-9639-8188 |
dc.subject.por.fl_str_mv |
CIENCIAS EXATAS E DA TERRA Representação de subespacos Redes rasas Aprendizado de variedades Análise de tensores Subspace representation Shallow networks Manifold learning Tensor analysis |
topic |
CIENCIAS EXATAS E DA TERRA Representação de subespacos Redes rasas Aprendizado de variedades Análise de tensores Subspace representation Shallow networks Manifold learning Tensor analysis |
description |
A classificação de conjuntos de padrões pertence a uma classe de problemas em que a aprendizagem ocorre por meio de conjuntos, ao invés de exemplos. Muito utilizada em visão computacional, esta abordagem tem a vantagem de possuir baixo tempo de processamento e robustez a variações como iluminação, parâmetros intrínsecos dos dispositivos de captura de sinal e pose do objeto analisado. Inspirado por aplicações de métodos de subespaços, três novas coleções de m´métodos são apresentadas nesta tese: (1) Novas representações para conjuntos de imagens e vídeos bidimensionais; (2) Redes rasas para classificação de imagens; e (3) Subespaços para representação e classificação de tensores. Novas representações são propostas com o objetivo de preservar a estrutura espacial e manter um rápido tempo de processamento. Também introduzimos uma t´técnica para manter a estrutura temporal, mesmo utilizando a análise de componentes principais, que classicamente não preserva a ordem dos dados. Em redes rasas, apresentamos duas redes neurais convulsionais que não precisam de retropropagação, empregando apenas subespaços para seus filtros de convolução. Além dos resultados de classificação serem competitivos, as redes propostas apresentam vantagem quando o tempo disponível para aprendizagem ´e limitado. Por fim, para tratar dados multidimensionais, como dados de vídeo, propomos dois m´métodos que empregam subespaços para representar esse tipo de dados de forma compacta e discriminativa. Além dos novos métodos introduzidos, nosso trabalho proposto tem sido aplicado em outros problemas além da visão computacional, como representação e classificação de dados hipoacústicos e padrões de texto |
publishDate |
2020 |
dc.date.none.fl_str_mv |
2020-10-08 2021-09-09T02:23:34Z |
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.uri.fl_str_mv |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces, 2020, 158, Tese, Programa de Pós-graduação em Informática, Universidade Federal do Amazonas, Brasil https://tede.ufam.edu.br/handle/tede/8436 |
identifier_str_mv |
Pattern-set Representations using Linear, Shallow and Tensor Subspaces, 2020, 158, Tese, Programa de Pós-graduação em Informática, Universidade Federal do Amazonas, Brasil |
url |
https://tede.ufam.edu.br/handle/tede/8436 |
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 |
Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
publisher.none.fl_str_mv |
Universidade Federal do Amazonas Instituto de Computação Brasil UFAM Programa de Pós-graduação em Informática |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFAM instname:Universidade Federal do Amazonas (UFAM) instacron:UFAM |
instname_str |
Universidade Federal do Amazonas (UFAM) |
instacron_str |
UFAM |
institution |
UFAM |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFAM |
collection |
Biblioteca Digital de Teses e Dissertações da UFAM |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFAM - Universidade Federal do Amazonas (UFAM) |
repository.mail.fl_str_mv |
ddbc@ufam.edu.br||ddbc@ufam.edu.br |
_version_ |
1800234127057747968 |