Modelo de similaridade de texturas usando Redes Neurais Profundas
Autor(a) principal: | |
---|---|
Data de Publicação: | 2019 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/35858 |
Resumo: | Nas últimas décadas, diversas técnicas de descrição de texturas foram propostas e em combinação com métodos de classificação, são utilizadas para a tarefa de análise textural. Contudo, dada a variação das classes texturas que existem, sempre que há um novo con- junto de dados são executados diversas técnicas de descrição para saber qual é a melhor nesse conjunto de dados mais recente. Encontrar as técnicas que sejam eficientes para cada uma dessas novas bases é um trabalho exaustivo, devido ao processamento computacional alto além do tempo que é utilizado no processo. O objetivo dessa dissertação é propor uma metodologia baseada em Deep Metric Learning que gere um espaço para representar as bases de textura de acordo com suas similaridades e com isso analisar se os métodos de descrição tem um desempenho semelhante nas bases que forem consideradas simila- res. Com isso, os resultados podem ser utilizados para predizer quais técnicas funcionam melhor em uma nova base de texturas de entrada que seja desconhecida ao treinamento, também otimizando o tempo e esforço que normalmente são dedicados fazendo uma aná- lise dessa natureza. Esse espaço foi gerado aplicando uma rede profunda com uma função de perda Triplet Loss em bases de textura comumente utilizadas na literatura, onde já se sabe quais descritores funcionam melhor em cada uma. Como resultado, o espaço aglo- merou bases semelhantes e, ao introduzirmos uma base de dados desconhecida essa base foi classificada com uma região do espaço onde ela possui maior similaridade. A análise revelou que as bases semelhantes realmente possuem uma quantidade alta de descrito- res de textura que são as técnicas de melhor desempenho. Os resultados mostram que a rede profunda possui um bom comportamento quando é utilizada dentro do modelo de similaridade de texturas mostrando que pode agrupar bases como regiões texturais. |
id |
UFPE_206da8f3a08f4c8671f8ca7455607739 |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/35858 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
SOUZA, Marcus Vinícius Silva Lacerda dehttp://lattes.cnpq.br/8131292596033004http://lattes.cnpq.br/3084134533707587REN, Tsang Ing2019-12-18T18:53:33Z2019-12-18T18:53:33Z2019-08-30SOUZA, Marcus Vinícius Silva Lacerda de. Modelo de similaridade de texturas usando Redes Neurais Profundas. 2019. Dissertação (Mestrado em Ciência da computação) – Universidade Federal de Pernambuco, Recife, 2019.https://repositorio.ufpe.br/handle/123456789/35858Nas últimas décadas, diversas técnicas de descrição de texturas foram propostas e em combinação com métodos de classificação, são utilizadas para a tarefa de análise textural. Contudo, dada a variação das classes texturas que existem, sempre que há um novo con- junto de dados são executados diversas técnicas de descrição para saber qual é a melhor nesse conjunto de dados mais recente. Encontrar as técnicas que sejam eficientes para cada uma dessas novas bases é um trabalho exaustivo, devido ao processamento computacional alto além do tempo que é utilizado no processo. O objetivo dessa dissertação é propor uma metodologia baseada em Deep Metric Learning que gere um espaço para representar as bases de textura de acordo com suas similaridades e com isso analisar se os métodos de descrição tem um desempenho semelhante nas bases que forem consideradas simila- res. Com isso, os resultados podem ser utilizados para predizer quais técnicas funcionam melhor em uma nova base de texturas de entrada que seja desconhecida ao treinamento, também otimizando o tempo e esforço que normalmente são dedicados fazendo uma aná- lise dessa natureza. Esse espaço foi gerado aplicando uma rede profunda com uma função de perda Triplet Loss em bases de textura comumente utilizadas na literatura, onde já se sabe quais descritores funcionam melhor em cada uma. Como resultado, o espaço aglo- merou bases semelhantes e, ao introduzirmos uma base de dados desconhecida essa base foi classificada com uma região do espaço onde ela possui maior similaridade. A análise revelou que as bases semelhantes realmente possuem uma quantidade alta de descrito- res de textura que são as técnicas de melhor desempenho. Os resultados mostram que a rede profunda possui um bom comportamento quando é utilizada dentro do modelo de similaridade de texturas mostrando que pode agrupar bases como regiões texturais.In the last decades, several texture description techniques have been proposed and in combination with classification methods are used for the textural analysis task. However, given the variation of the texture classes that exist, whenever there is a new dataset a variety of description techniques are performed to find out which one is the best in this latest dataset. Finding the techniques that are efficient for each of these new bases is exhausting work, due to the high computational processing as well as the time that is used in the process. The objective of this dissertation is to propose a methodology based on Deep Metric Learning that generates a space to represent the texture bases according to their similarities and to analyze if the description methods have a similar performance in the bases considered. similar. The results can then be used to predict which techniques work best on a new input texture base that is unfamiliar to training, while also optimizing the time and effort that is typically devoted to doing such an analysis. This space was generated by applying a deep network with a Triplet Loss function on texture bases commonly used in the literature, where it is already known which descriptors work best in each one. As a result, space has clustered similar bases, and by introducing an unknown database this base has been classified with a region of space where it has the most similarity. Analysis has shown that similar bases actually have a high amount of texture descriptors that are the best performing techniques. The results show that the deep net has a good behavior when it is used within the texture similarity model showing that it can group bases as textural regions.porUniversidade Federal de PernambucoPrograma de Pos Graduacao em Ciencia da ComputacaoUFPEBrasilAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessVisão Computacional e Redes Neurais ProfundasAnálise de TexturasClassificaçãoDeep Metric LearningModelo de similaridade de texturas usando Redes Neurais Profundasinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesismestradoreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETEXTDISSERTAÇÃO Marcus Vinícius Silva Lacerda de Souza.pdf.txtDISSERTAÇÃO Marcus Vinícius Silva Lacerda de Souza.pdf.txtExtracted texttext/plain130255https://repositorio.ufpe.br/bitstream/123456789/35858/4/DISSERTA%c3%87%c3%83O%20Marcus%20Vin%c3%adcius%20Silva%20Lacerda%20de%20Souza.pdf.txt2d8d6f4f082050d94f99aa284f75fd0dMD54THUMBNAILDISSERTAÇÃO Marcus Vinícius Silva Lacerda de Souza.pdf.jpgDISSERTAÇÃO Marcus Vinícius Silva Lacerda de Souza.pdf.jpgGenerated Thumbnailimage/jpeg1339https://repositorio.ufpe.br/bitstream/123456789/35858/5/DISSERTA%c3%87%c3%83O%20Marcus%20Vin%c3%adcius%20Silva%20Lacerda%20de%20Souza.pdf.jpgdce2da96abc8f088074431245f5b9782MD55ORIGINALDISSERTAÇÃO Marcus Vinícius Silva Lacerda de Souza.pdfDISSERTAÇÃO Marcus Vinícius Silva Lacerda de Souza.pdfapplication/pdf13324228https://repositorio.ufpe.br/bitstream/123456789/35858/1/DISSERTA%c3%87%c3%83O%20Marcus%20Vin%c3%adcius%20Silva%20Lacerda%20de%20Souza.pdf8710f3d9024d52dcc77ddecd3306cbfeMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufpe.br/bitstream/123456789/35858/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82310https://repositorio.ufpe.br/bitstream/123456789/35858/3/license.txtbd573a5ca8288eb7272482765f819534MD53123456789/358582019-12-19 02:16:10.712oai:repositorio.ufpe.br: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ório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-12-19T05:16:10Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Modelo de similaridade de texturas usando Redes Neurais Profundas |
title |
Modelo de similaridade de texturas usando Redes Neurais Profundas |
spellingShingle |
Modelo de similaridade de texturas usando Redes Neurais Profundas SOUZA, Marcus Vinícius Silva Lacerda de Visão Computacional e Redes Neurais Profundas Análise de Texturas Classificação Deep Metric Learning |
title_short |
Modelo de similaridade de texturas usando Redes Neurais Profundas |
title_full |
Modelo de similaridade de texturas usando Redes Neurais Profundas |
title_fullStr |
Modelo de similaridade de texturas usando Redes Neurais Profundas |
title_full_unstemmed |
Modelo de similaridade de texturas usando Redes Neurais Profundas |
title_sort |
Modelo de similaridade de texturas usando Redes Neurais Profundas |
author |
SOUZA, Marcus Vinícius Silva Lacerda de |
author_facet |
SOUZA, Marcus Vinícius Silva Lacerda de |
author_role |
author |
dc.contributor.authorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/8131292596033004 |
dc.contributor.advisorLattes.pt_BR.fl_str_mv |
http://lattes.cnpq.br/3084134533707587 |
dc.contributor.author.fl_str_mv |
SOUZA, Marcus Vinícius Silva Lacerda de |
dc.contributor.advisor1.fl_str_mv |
REN, Tsang Ing |
contributor_str_mv |
REN, Tsang Ing |
dc.subject.por.fl_str_mv |
Visão Computacional e Redes Neurais Profundas Análise de Texturas Classificação Deep Metric Learning |
topic |
Visão Computacional e Redes Neurais Profundas Análise de Texturas Classificação Deep Metric Learning |
description |
Nas últimas décadas, diversas técnicas de descrição de texturas foram propostas e em combinação com métodos de classificação, são utilizadas para a tarefa de análise textural. Contudo, dada a variação das classes texturas que existem, sempre que há um novo con- junto de dados são executados diversas técnicas de descrição para saber qual é a melhor nesse conjunto de dados mais recente. Encontrar as técnicas que sejam eficientes para cada uma dessas novas bases é um trabalho exaustivo, devido ao processamento computacional alto além do tempo que é utilizado no processo. O objetivo dessa dissertação é propor uma metodologia baseada em Deep Metric Learning que gere um espaço para representar as bases de textura de acordo com suas similaridades e com isso analisar se os métodos de descrição tem um desempenho semelhante nas bases que forem consideradas simila- res. Com isso, os resultados podem ser utilizados para predizer quais técnicas funcionam melhor em uma nova base de texturas de entrada que seja desconhecida ao treinamento, também otimizando o tempo e esforço que normalmente são dedicados fazendo uma aná- lise dessa natureza. Esse espaço foi gerado aplicando uma rede profunda com uma função de perda Triplet Loss em bases de textura comumente utilizadas na literatura, onde já se sabe quais descritores funcionam melhor em cada uma. Como resultado, o espaço aglo- merou bases semelhantes e, ao introduzirmos uma base de dados desconhecida essa base foi classificada com uma região do espaço onde ela possui maior similaridade. A análise revelou que as bases semelhantes realmente possuem uma quantidade alta de descrito- res de textura que são as técnicas de melhor desempenho. Os resultados mostram que a rede profunda possui um bom comportamento quando é utilizada dentro do modelo de similaridade de texturas mostrando que pode agrupar bases como regiões texturais. |
publishDate |
2019 |
dc.date.accessioned.fl_str_mv |
2019-12-18T18:53:33Z |
dc.date.available.fl_str_mv |
2019-12-18T18:53:33Z |
dc.date.issued.fl_str_mv |
2019-08-30 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.citation.fl_str_mv |
SOUZA, Marcus Vinícius Silva Lacerda de. Modelo de similaridade de texturas usando Redes Neurais Profundas. 2019. Dissertação (Mestrado em Ciência da computação) – Universidade Federal de Pernambuco, Recife, 2019. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/35858 |
identifier_str_mv |
SOUZA, Marcus Vinícius Silva Lacerda de. Modelo de similaridade de texturas usando Redes Neurais Profundas. 2019. Dissertação (Mestrado em Ciência da computação) – Universidade Federal de Pernambuco, Recife, 2019. |
url |
https://repositorio.ufpe.br/handle/123456789/35858 |
dc.language.iso.fl_str_mv |
por |
language |
por |
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 Pernambuco |
dc.publisher.program.fl_str_mv |
Programa de Pos Graduacao em Ciencia da Computacao |
dc.publisher.initials.fl_str_mv |
UFPE |
dc.publisher.country.fl_str_mv |
Brasil |
publisher.none.fl_str_mv |
Universidade Federal de Pernambuco |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFPE instname:Universidade Federal de Pernambuco (UFPE) instacron:UFPE |
instname_str |
Universidade Federal de Pernambuco (UFPE) |
instacron_str |
UFPE |
institution |
UFPE |
reponame_str |
Repositório Institucional da UFPE |
collection |
Repositório Institucional da UFPE |
bitstream.url.fl_str_mv |
https://repositorio.ufpe.br/bitstream/123456789/35858/4/DISSERTA%c3%87%c3%83O%20Marcus%20Vin%c3%adcius%20Silva%20Lacerda%20de%20Souza.pdf.txt https://repositorio.ufpe.br/bitstream/123456789/35858/5/DISSERTA%c3%87%c3%83O%20Marcus%20Vin%c3%adcius%20Silva%20Lacerda%20de%20Souza.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/35858/1/DISSERTA%c3%87%c3%83O%20Marcus%20Vin%c3%adcius%20Silva%20Lacerda%20de%20Souza.pdf https://repositorio.ufpe.br/bitstream/123456789/35858/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/35858/3/license.txt |
bitstream.checksum.fl_str_mv |
2d8d6f4f082050d94f99aa284f75fd0d dce2da96abc8f088074431245f5b9782 8710f3d9024d52dcc77ddecd3306cbfe e39d27027a6cc9cb039ad269a5db8e34 bd573a5ca8288eb7272482765f819534 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE) |
repository.mail.fl_str_mv |
attena@ufpe.br |
_version_ |
1802310892408274944 |