Redes neurais com extração implícita de características para reconhecimento de padrões visuais
Autor(a) principal: | |
---|---|
Data de Publicação: | 2013 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Repositório Institucional da UFPE |
Texto Completo: | https://repositorio.ufpe.br/handle/123456789/12245 |
Resumo: | O desenvolvimento de modelos baseados em teorias sobre a estrutura do cérebro humano tem se mostrado como uma importante ferramenta para a inspiração de novas abordagens para problemas de reconhecimento de padrões visuais. Apesar do cérebro humano não ser completamente entendido, ele já inspirou vários mecanismos utilizados em tarefas de reconhecimento de padrões, como as redes neurais artificiais (RNAs). Os conceitos de campos receptivos e inibitórios e de memória autoassociativa são derivados de estudos do cérebro e vêm sendo empregados na criação de novos classificadores. Os campos receptivos são utilizados para melhor analisar texturas e para detectar contornos em vários modelos que têm suas arquiteturas projetadas para receber os dados de entrada na sua forma bruta e extrair suas características. Esse processo é chamado de extração implícita de características. O uso de campos inibitórios trouxe melhorias às RNAs, tornando-as mais estáveis e eficazes. Por outro lado, classificadores autoassociativos são modelos desenvolvidos para aprender as características relacionadas somente aos padrões de uma mesma classe. Esses classificadores decidem se um padrão é conhecido a partir de fronteiras de decisão fechadas no espaço de entrada. Este trabalho propõe três RNAs inspiradas nos conceitos de campos receptivos e inibitórios e de memória autoassociativa. As RNAs propostas apresentam uma arquitetura piramidal que fazem uso dos conceitos de campos receptivos e que integram as etapas de extração de características e de classificação de padrões visuais. A primeira RNA proposta é a Lateral Inhibition Pyramidal Neural Network (LIPNet) que utiliza o conceito de campos inibitórios e é aplicada em problemas com duas classes. A LIPNet é avaliada em experimentos de detecção de faces com o banco MIT CBCL e de detecção de floresta em imagens de satélite. A segunda RNA proposta é a AutoAssociative Pyramidal Neural Network (AAPNet) que utiliza o conceito de memória autoassociativa para aprendizagem de uma classe sem exemplos negativos. A AAPNet é avaliada numa tarefa de categorização de objetos com o banco Caltech-101. A última RNA proposta é a Lateral Inhibition Constructive Autoassociative Neural Network (LICANet) que realiza a aprendizagem autoassociativa através de um algoritmo construtivo que ajusta a arquitetura do modelo durante o treinamento. A LICANet é avaliada em experimentos de reconhecimento de expressão facial com a base JAFFE. Finalmente, as três RNAs propostas são comparadas umas com as outras nos experimentos realizados. As RNAs propostas obtiveram resultados superiores a outros métodos da literatura. |
id |
UFPE_71557d64826e4bd7ee44ca116c44594e |
---|---|
oai_identifier_str |
oai:repositorio.ufpe.br:123456789/12245 |
network_acronym_str |
UFPE |
network_name_str |
Repositório Institucional da UFPE |
repository_id_str |
2221 |
spelling |
Fernandes, Bruno José TorresCavalcanti, George Darmiton da Cunha Ren, Tsang Ing 2015-03-12T18:28:44Z2015-03-12T18:28:44Z2013-07-29FERNANDES, Bruno José Torres. Redes neurais com extração implícita de características para reconhecimento de padrões visuais. Recife, 2013. 136 f. Tese (doutorado) - UFPE, Centro de Informática, Programa de Pós-graduação em Ciência da Computação, 2013..https://repositorio.ufpe.br/handle/123456789/12245O desenvolvimento de modelos baseados em teorias sobre a estrutura do cérebro humano tem se mostrado como uma importante ferramenta para a inspiração de novas abordagens para problemas de reconhecimento de padrões visuais. Apesar do cérebro humano não ser completamente entendido, ele já inspirou vários mecanismos utilizados em tarefas de reconhecimento de padrões, como as redes neurais artificiais (RNAs). Os conceitos de campos receptivos e inibitórios e de memória autoassociativa são derivados de estudos do cérebro e vêm sendo empregados na criação de novos classificadores. Os campos receptivos são utilizados para melhor analisar texturas e para detectar contornos em vários modelos que têm suas arquiteturas projetadas para receber os dados de entrada na sua forma bruta e extrair suas características. Esse processo é chamado de extração implícita de características. O uso de campos inibitórios trouxe melhorias às RNAs, tornando-as mais estáveis e eficazes. Por outro lado, classificadores autoassociativos são modelos desenvolvidos para aprender as características relacionadas somente aos padrões de uma mesma classe. Esses classificadores decidem se um padrão é conhecido a partir de fronteiras de decisão fechadas no espaço de entrada. Este trabalho propõe três RNAs inspiradas nos conceitos de campos receptivos e inibitórios e de memória autoassociativa. As RNAs propostas apresentam uma arquitetura piramidal que fazem uso dos conceitos de campos receptivos e que integram as etapas de extração de características e de classificação de padrões visuais. A primeira RNA proposta é a Lateral Inhibition Pyramidal Neural Network (LIPNet) que utiliza o conceito de campos inibitórios e é aplicada em problemas com duas classes. A LIPNet é avaliada em experimentos de detecção de faces com o banco MIT CBCL e de detecção de floresta em imagens de satélite. A segunda RNA proposta é a AutoAssociative Pyramidal Neural Network (AAPNet) que utiliza o conceito de memória autoassociativa para aprendizagem de uma classe sem exemplos negativos. A AAPNet é avaliada numa tarefa de categorização de objetos com o banco Caltech-101. A última RNA proposta é a Lateral Inhibition Constructive Autoassociative Neural Network (LICANet) que realiza a aprendizagem autoassociativa através de um algoritmo construtivo que ajusta a arquitetura do modelo durante o treinamento. A LICANet é avaliada em experimentos de reconhecimento de expressão facial com a base JAFFE. Finalmente, as três RNAs propostas são comparadas umas com as outras nos experimentos realizados. As RNAs propostas obtiveram resultados superiores a outros métodos da literatura.porUniversidade Federal de PernambucoAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessRedes neuraisCampos receptivosMemória autoassociativaAlgoritmos construtivosReconhecimento de padrõesVisão computacionalRedes neurais com extração implícita de características para reconhecimento de padrões visuaisinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFPEinstname:Universidade Federal de Pernambuco (UFPE)instacron:UFPETHUMBNAILTese Bruno Fernandes.pdf.jpgTese Bruno Fernandes.pdf.jpgGenerated Thumbnailimage/jpeg1237https://repositorio.ufpe.br/bitstream/123456789/12245/5/Tese%20Bruno%20Fernandes.pdf.jpgc46a870dd9250603e52edc99b947e4f1MD55ORIGINALTese Bruno Fernandes.pdfTese Bruno Fernandes.pdfapplication/pdf3132863https://repositorio.ufpe.br/bitstream/123456789/12245/1/Tese%20Bruno%20Fernandes.pdf07130c06c805386aafa3b34685236d9bMD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81232https://repositorio.ufpe.br/bitstream/123456789/12245/2/license_rdf66e71c371cc565284e70f40736c94386MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-82311https://repositorio.ufpe.br/bitstream/123456789/12245/3/license.txt4b8a02c7f2818eaf00dcf2260dd5eb08MD53TEXTTese Bruno Fernandes.pdf.txtTese Bruno Fernandes.pdf.txtExtracted texttext/plain296766https://repositorio.ufpe.br/bitstream/123456789/12245/4/Tese%20Bruno%20Fernandes.pdf.txt9f000cd7416c9619750a7e734401da74MD54123456789/122452019-10-25 17:23:51.168oai:repositorio.ufpe.br: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Repositório InstitucionalPUBhttps://repositorio.ufpe.br/oai/requestattena@ufpe.bropendoar:22212019-10-25T20:23:51Repositório Institucional da UFPE - Universidade Federal de Pernambuco (UFPE)false |
dc.title.pt_BR.fl_str_mv |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais |
title |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais |
spellingShingle |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais Fernandes, Bruno José Torres Redes neurais Campos receptivos Memória autoassociativa Algoritmos construtivos Reconhecimento de padrões Visão computacional |
title_short |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais |
title_full |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais |
title_fullStr |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais |
title_full_unstemmed |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais |
title_sort |
Redes neurais com extração implícita de características para reconhecimento de padrões visuais |
author |
Fernandes, Bruno José Torres |
author_facet |
Fernandes, Bruno José Torres |
author_role |
author |
dc.contributor.author.fl_str_mv |
Fernandes, Bruno José Torres |
dc.contributor.advisor1.fl_str_mv |
Cavalcanti, George Darmiton da Cunha |
dc.contributor.advisor-co1.fl_str_mv |
Ren, Tsang Ing |
contributor_str_mv |
Cavalcanti, George Darmiton da Cunha Ren, Tsang Ing |
dc.subject.por.fl_str_mv |
Redes neurais Campos receptivos Memória autoassociativa Algoritmos construtivos Reconhecimento de padrões Visão computacional |
topic |
Redes neurais Campos receptivos Memória autoassociativa Algoritmos construtivos Reconhecimento de padrões Visão computacional |
description |
O desenvolvimento de modelos baseados em teorias sobre a estrutura do cérebro humano tem se mostrado como uma importante ferramenta para a inspiração de novas abordagens para problemas de reconhecimento de padrões visuais. Apesar do cérebro humano não ser completamente entendido, ele já inspirou vários mecanismos utilizados em tarefas de reconhecimento de padrões, como as redes neurais artificiais (RNAs). Os conceitos de campos receptivos e inibitórios e de memória autoassociativa são derivados de estudos do cérebro e vêm sendo empregados na criação de novos classificadores. Os campos receptivos são utilizados para melhor analisar texturas e para detectar contornos em vários modelos que têm suas arquiteturas projetadas para receber os dados de entrada na sua forma bruta e extrair suas características. Esse processo é chamado de extração implícita de características. O uso de campos inibitórios trouxe melhorias às RNAs, tornando-as mais estáveis e eficazes. Por outro lado, classificadores autoassociativos são modelos desenvolvidos para aprender as características relacionadas somente aos padrões de uma mesma classe. Esses classificadores decidem se um padrão é conhecido a partir de fronteiras de decisão fechadas no espaço de entrada. Este trabalho propõe três RNAs inspiradas nos conceitos de campos receptivos e inibitórios e de memória autoassociativa. As RNAs propostas apresentam uma arquitetura piramidal que fazem uso dos conceitos de campos receptivos e que integram as etapas de extração de características e de classificação de padrões visuais. A primeira RNA proposta é a Lateral Inhibition Pyramidal Neural Network (LIPNet) que utiliza o conceito de campos inibitórios e é aplicada em problemas com duas classes. A LIPNet é avaliada em experimentos de detecção de faces com o banco MIT CBCL e de detecção de floresta em imagens de satélite. A segunda RNA proposta é a AutoAssociative Pyramidal Neural Network (AAPNet) que utiliza o conceito de memória autoassociativa para aprendizagem de uma classe sem exemplos negativos. A AAPNet é avaliada numa tarefa de categorização de objetos com o banco Caltech-101. A última RNA proposta é a Lateral Inhibition Constructive Autoassociative Neural Network (LICANet) que realiza a aprendizagem autoassociativa através de um algoritmo construtivo que ajusta a arquitetura do modelo durante o treinamento. A LICANet é avaliada em experimentos de reconhecimento de expressão facial com a base JAFFE. Finalmente, as três RNAs propostas são comparadas umas com as outras nos experimentos realizados. As RNAs propostas obtiveram resultados superiores a outros métodos da literatura. |
publishDate |
2013 |
dc.date.issued.fl_str_mv |
2013-07-29 |
dc.date.accessioned.fl_str_mv |
2015-03-12T18:28:44Z |
dc.date.available.fl_str_mv |
2015-03-12T18:28:44Z |
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 |
FERNANDES, Bruno José Torres. Redes neurais com extração implícita de características para reconhecimento de padrões visuais. Recife, 2013. 136 f. Tese (doutorado) - UFPE, Centro de Informática, Programa de Pós-graduação em Ciência da Computação, 2013.. |
dc.identifier.uri.fl_str_mv |
https://repositorio.ufpe.br/handle/123456789/12245 |
identifier_str_mv |
FERNANDES, Bruno José Torres. Redes neurais com extração implícita de características para reconhecimento de padrões visuais. Recife, 2013. 136 f. Tese (doutorado) - UFPE, Centro de Informática, Programa de Pós-graduação em Ciência da Computação, 2013.. |
url |
https://repositorio.ufpe.br/handle/123456789/12245 |
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 |
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/123456789/12245/5/Tese%20Bruno%20Fernandes.pdf.jpg https://repositorio.ufpe.br/bitstream/123456789/12245/1/Tese%20Bruno%20Fernandes.pdf https://repositorio.ufpe.br/bitstream/123456789/12245/2/license_rdf https://repositorio.ufpe.br/bitstream/123456789/12245/3/license.txt https://repositorio.ufpe.br/bitstream/123456789/12245/4/Tese%20Bruno%20Fernandes.pdf.txt |
bitstream.checksum.fl_str_mv |
c46a870dd9250603e52edc99b947e4f1 07130c06c805386aafa3b34685236d9b 66e71c371cc565284e70f40736c94386 4b8a02c7f2818eaf00dcf2260dd5eb08 9f000cd7416c9619750a7e734401da74 |
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_ |
1802310844104572928 |