Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov

Detalhes bibliográficos
Autor(a) principal: Feitosa, Rafael Divino Ferreira
Data de Publicação: 2020
Tipo de documento: Tese
Idioma: por
Título da fonte: Repositório Institucional da UFG
dARK ID: ark:/38995/0013000006v00
Texto Completo: http://repositorio.bc.ufg.br/tede/handle/tede/10638
Resumo: In many pattern recognition problems, discriminant features are unknown and/or class boundaries are not well defined. Several studies have used data compression to discover knowledge, without features extraction and selection. The basic idea is two distinct objects can be grouped as similar, if the information content of one explains, in a significant way, the information content of the other. However, compressionbased techniques are not efficient for images, as they disregard the semantics present in the spatial correlation of two-dimensional data. A classifier is proposed for estimates the visual complexity of scenes, namely Pattern Recognition by Randomness (PRR). The operation of the method is based on data transformations, which expand the most discriminating features and suppress details. The main contribution of the work is the use of randomness as a measure discrimination. The approximation between scenes and trained models, based on representational distortion, promotes a lossy compression process. This loss is associated with irrelevant details, when the scene is reconstructed with the representation of true class, or with the information degradation, when it is reconstructed with divergent representations. The more information preserved, the greater the randomness of the reconstruction. From the mathematical point of view, the method is explained by two main measures in the U-dimensional plane: intersection and dispersion. The results yielded accuracy of 0.6967, for a 12-class problem, and 0.9286 for 7 classes. Compared with k-NN and a data mining toolkit, the proposed classifier was superior. The method is capable of generating efficient models from few training samples. It is invariant for vertical and horizontal reflections and resistant to some geometric transformations and image processing.
id UFG-2_d9147593b075d06e0fdea1bfd03a31c9
oai_identifier_str oai:repositorio.bc.ufg.br:tede/10638
network_acronym_str UFG-2
network_name_str Repositório Institucional da UFG
repository_id_str
spelling Soares, Anderson da Silvahttp://lattes.cnpq.br/1096941114079527Soares, Anderson da SilvaDelbem, Alexandre Cláudio BotazzoSoares, Fabrízzio Alphonsus Alves de Melo NunesLaureano, Gustavo TeodoroCosta, Ronaldo Martins dahttp://lattes.cnpq.br/4739463636062171Feitosa, Rafael Divino Ferreira2020-09-09T19:04:43Z2020-09-09T19:04:43Z2020-03-15FEITOSA, R. D. F. Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov. 2020. 204 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2020.http://repositorio.bc.ufg.br/tede/handle/tede/10638ark:/38995/0013000006v00In many pattern recognition problems, discriminant features are unknown and/or class boundaries are not well defined. Several studies have used data compression to discover knowledge, without features extraction and selection. The basic idea is two distinct objects can be grouped as similar, if the information content of one explains, in a significant way, the information content of the other. However, compressionbased techniques are not efficient for images, as they disregard the semantics present in the spatial correlation of two-dimensional data. A classifier is proposed for estimates the visual complexity of scenes, namely Pattern Recognition by Randomness (PRR). The operation of the method is based on data transformations, which expand the most discriminating features and suppress details. The main contribution of the work is the use of randomness as a measure discrimination. The approximation between scenes and trained models, based on representational distortion, promotes a lossy compression process. This loss is associated with irrelevant details, when the scene is reconstructed with the representation of true class, or with the information degradation, when it is reconstructed with divergent representations. The more information preserved, the greater the randomness of the reconstruction. From the mathematical point of view, the method is explained by two main measures in the U-dimensional plane: intersection and dispersion. The results yielded accuracy of 0.6967, for a 12-class problem, and 0.9286 for 7 classes. Compared with k-NN and a data mining toolkit, the proposed classifier was superior. The method is capable of generating efficient models from few training samples. It is invariant for vertical and horizontal reflections and resistant to some geometric transformations and image processing.Em muitos problemas de reconhecimento de padrões, as características discriminantes são desconhecidas e/ou as fronteiras das classes não são bem definidas. Diversos trabalhos têm utilizado a compressão de dados para descoberta de conhecimento, sem a extração e seleção dessas características. O fundamento dessa abordagem é que dois objetos podem ser agrupados como semelhantes, se o conteúdo da informação de um deles explicar, de forma significante, o conteúdo da informação do outro. Entretanto, as técnicas baseadas em compressão não são eficientes para imagens, pois desconsideram a semântica presente na correlação espacial dos dados bidimensionais. É proposto um classificador, que estima a complexidade visual de cenas, denominado Reconhecimento de Padrões por Aleatoriedade (RPA). O funcionamento do método é fundamentado em transformações de dados, que ampliam as características mais discriminantes e suprimem os detalhes. A principal contribuição do trabalho é o uso da aleatoriedade como medida de discriminação. A aproximação entre cenas e modelos treinados, baseada na distorção representacional, promove um processo de compressão com perda. Essa perda é associada a detalhes irrelevantes, quando a cena é reconstruída com a representação de sua própria classe, ou à degradação de informações, quando é reconstruída com representações díspares. Quanto mais informação preservada, maior a aleatoriedade da reconstrução. Do ponto de vista matemático, o funcionamento do método é explicado por duas principais medidas no plano Udimensional de projeção das amostras: interseção e dispersão. Os resultados mostram acurácias de 0,6967, para um problema de 12 classes, e 0,9286 para 7 classes. Comparado com o k-NN e um toolkit de mineração de dados, o classificador proposto foi superior. O método é capaz de gerar modelos eficientes a partir de poucas amostras de treinamento. É invariante para reflexões verticais e horizontais e resistente a algumas transformações geométricas e processamentos de imagem.Submitted by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-09T14:33:52Z No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Rafael Divino Ferreira Feitosa - 2020.pdf: 7915469 bytes, checksum: 55db483cc863a41fe1affafabeae3e1f (MD5)Approved for entry into archive by Luciana Ferreira (lucgeral@gmail.com) on 2020-09-09T19:04:43Z (GMT) No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Rafael Divino Ferreira Feitosa - 2020.pdf: 7915469 bytes, checksum: 55db483cc863a41fe1affafabeae3e1f (MD5)Made available in DSpace on 2020-09-09T19:04:43Z (GMT). No. of bitstreams: 2 license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5) Tese - Rafael Divino Ferreira Feitosa - 2020.pdf: 7915469 bytes, checksum: 55db483cc863a41fe1affafabeae3e1f (MD5) Previous issue date: 2020-03-15porUniversidade Federal de GoiásPrograma de Pós-graduação em Ciência da Computação (INF)UFGBrasilInstituto de Informática - INF (RG)Attribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessClassificação de cenasCompressão de dadosQuantização vetorialAleatoriedadeComplexidade de KolmogorovEntropiaComplexidade visualScene classificationData compressionVector quantizationRandomnessKolmogorov’s complexityEntropyVisual complexityCIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOClassificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de KolmogorovScene classification using the analysis of randomness by approximation of Kolmogorov’s complexityinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesis1950050050027184reponame:Repositório Institucional da UFGinstname:Universidade Federal de Goiás (UFG)instacron:UFGLICENSElicense.txtlicense.txttext/plain; charset=utf-81748http://repositorio.bc.ufg.br/tede/bitstreams/2d343d6a-b89d-464d-855b-0c8c3f798b91/download8a4605be74aa9ea9d79846c1fba20a33MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811http://repositorio.bc.ufg.br/tede/bitstreams/93545c28-ae13-4894-b943-d7084a4e3b5b/downloade39d27027a6cc9cb039ad269a5db8e34MD52ORIGINALTese - Rafael Divino Ferreira Feitosa - 2020.pdfTese - Rafael Divino Ferreira Feitosa - 2020.pdfapplication/pdf7915469http://repositorio.bc.ufg.br/tede/bitstreams/ea4d9c90-6b64-4ab2-bd60-3d9846499886/download55db483cc863a41fe1affafabeae3e1fMD53tede/106382020-09-09 16:04:44.457http://creativecommons.org/licenses/by-nc-nd/3.0/br/Attribution-NonCommercial-NoDerivs 3.0 Brazilopen.accessoai:repositorio.bc.ufg.br:tede/10638http://repositorio.bc.ufg.br/tedeRepositório InstitucionalPUBhttp://repositorio.bc.ufg.br/oai/requesttasesdissertacoes.bc@ufg.bropendoar:2020-09-09T19:04:44Repositório Institucional da UFG - Universidade Federal de Goiás (UFG)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
dc.title.pt_BR.fl_str_mv Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
dc.title.alternative.eng.fl_str_mv Scene classification using the analysis of randomness by approximation of Kolmogorov’s complexity
title Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
spellingShingle Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
Feitosa, Rafael Divino Ferreira
Classificação de cenas
Compressão de dados
Quantização vetorial
Aleatoriedade
Complexidade de Kolmogorov
Entropia
Complexidade visual
Scene classification
Data compression
Vector quantization
Randomness
Kolmogorov’s complexity
Entropy
Visual complexity
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
title_short Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
title_full Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
title_fullStr Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
title_full_unstemmed Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
title_sort Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
author Feitosa, Rafael Divino Ferreira
author_facet Feitosa, Rafael Divino Ferreira
author_role author
dc.contributor.advisor1.fl_str_mv Soares, Anderson da Silva
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/1096941114079527
dc.contributor.referee1.fl_str_mv Soares, Anderson da Silva
dc.contributor.referee2.fl_str_mv Delbem, Alexandre Cláudio Botazzo
dc.contributor.referee3.fl_str_mv Soares, Fabrízzio Alphonsus Alves de Melo Nunes
dc.contributor.referee4.fl_str_mv Laureano, Gustavo Teodoro
dc.contributor.referee5.fl_str_mv Costa, Ronaldo Martins da
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/4739463636062171
dc.contributor.author.fl_str_mv Feitosa, Rafael Divino Ferreira
contributor_str_mv Soares, Anderson da Silva
Soares, Anderson da Silva
Delbem, Alexandre Cláudio Botazzo
Soares, Fabrízzio Alphonsus Alves de Melo Nunes
Laureano, Gustavo Teodoro
Costa, Ronaldo Martins da
dc.subject.por.fl_str_mv Classificação de cenas
Compressão de dados
Quantização vetorial
Aleatoriedade
Complexidade de Kolmogorov
Entropia
Complexidade visual
topic Classificação de cenas
Compressão de dados
Quantização vetorial
Aleatoriedade
Complexidade de Kolmogorov
Entropia
Complexidade visual
Scene classification
Data compression
Vector quantization
Randomness
Kolmogorov’s complexity
Entropy
Visual complexity
CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
dc.subject.eng.fl_str_mv Scene classification
Data compression
Vector quantization
Randomness
Kolmogorov’s complexity
Entropy
Visual complexity
dc.subject.cnpq.fl_str_mv CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
description In many pattern recognition problems, discriminant features are unknown and/or class boundaries are not well defined. Several studies have used data compression to discover knowledge, without features extraction and selection. The basic idea is two distinct objects can be grouped as similar, if the information content of one explains, in a significant way, the information content of the other. However, compressionbased techniques are not efficient for images, as they disregard the semantics present in the spatial correlation of two-dimensional data. A classifier is proposed for estimates the visual complexity of scenes, namely Pattern Recognition by Randomness (PRR). The operation of the method is based on data transformations, which expand the most discriminating features and suppress details. The main contribution of the work is the use of randomness as a measure discrimination. The approximation between scenes and trained models, based on representational distortion, promotes a lossy compression process. This loss is associated with irrelevant details, when the scene is reconstructed with the representation of true class, or with the information degradation, when it is reconstructed with divergent representations. The more information preserved, the greater the randomness of the reconstruction. From the mathematical point of view, the method is explained by two main measures in the U-dimensional plane: intersection and dispersion. The results yielded accuracy of 0.6967, for a 12-class problem, and 0.9286 for 7 classes. Compared with k-NN and a data mining toolkit, the proposed classifier was superior. The method is capable of generating efficient models from few training samples. It is invariant for vertical and horizontal reflections and resistant to some geometric transformations and image processing.
publishDate 2020
dc.date.accessioned.fl_str_mv 2020-09-09T19:04:43Z
dc.date.available.fl_str_mv 2020-09-09T19:04:43Z
dc.date.issued.fl_str_mv 2020-03-15
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 FEITOSA, R. D. F. Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov. 2020. 204 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2020.
dc.identifier.uri.fl_str_mv http://repositorio.bc.ufg.br/tede/handle/tede/10638
dc.identifier.dark.fl_str_mv ark:/38995/0013000006v00
identifier_str_mv FEITOSA, R. D. F. Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov. 2020. 204 f. Tese (Doutorado em Ciência da Computação) - Universidade Federal de Goiás, Goiânia, 2020.
ark:/38995/0013000006v00
url http://repositorio.bc.ufg.br/tede/handle/tede/10638
dc.language.iso.fl_str_mv por
language por
dc.relation.program.fl_str_mv 19
dc.relation.confidence.fl_str_mv 500
500
500
dc.relation.department.fl_str_mv 27
dc.relation.cnpq.fl_str_mv 184
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Goiás
dc.publisher.program.fl_str_mv Programa de Pós-graduação em Ciência da Computação (INF)
dc.publisher.initials.fl_str_mv UFG
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Instituto de Informática - INF (RG)
publisher.none.fl_str_mv Universidade Federal de Goiás
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFG
instname:Universidade Federal de Goiás (UFG)
instacron:UFG
instname_str Universidade Federal de Goiás (UFG)
instacron_str UFG
institution UFG
reponame_str Repositório Institucional da UFG
collection Repositório Institucional da UFG
bitstream.url.fl_str_mv http://repositorio.bc.ufg.br/tede/bitstreams/2d343d6a-b89d-464d-855b-0c8c3f798b91/download
http://repositorio.bc.ufg.br/tede/bitstreams/93545c28-ae13-4894-b943-d7084a4e3b5b/download
http://repositorio.bc.ufg.br/tede/bitstreams/ea4d9c90-6b64-4ab2-bd60-3d9846499886/download
bitstream.checksum.fl_str_mv 8a4605be74aa9ea9d79846c1fba20a33
e39d27027a6cc9cb039ad269a5db8e34
55db483cc863a41fe1affafabeae3e1f
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFG - Universidade Federal de Goiás (UFG)
repository.mail.fl_str_mv tasesdissertacoes.bc@ufg.br
_version_ 1815172582511476736