Classificação de cenas utilizando a análise da aleatoriedade por aproximação da complexidade de Kolmogorov
Autor(a) principal: | |
---|---|
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)falseTk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo= |
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 |