Pattern-set Representations using Linear, Shallow and Tensor Subspaces

• Autor(a) principal: Gatto, Bernardo Bentes
• Data de Publicação: 2020
• Outros Autores: http://lattes.cnpq.br/0906239784812430, 0000-0001-9639-8188
• 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
• 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

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