Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas

Detalhes bibliográficos
Autor(a) principal: Canto, Natalia Gil, 1997-
Data de Publicação: 2023
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
Texto Completo: https://hdl.handle.net/20.500.12733/8987
Resumo: Orientador: Levy Boccato
id UNICAMP-30_2c4d288db5dbaa2382f3b9a6bcda3a49
oai_identifier_str oai::1267806
network_acronym_str UNICAMP-30
network_name_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository_id_str
spelling Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturasFrequency learning based on the Hartley transform applied to texture classificationAprendizado de máquinaRedes neurais (Computação)Classificação de imagemTransformadas de FourierTransformadas de HartleyMachine learningArtificial neural networksImage classificationFourier transformHartley transformOrientador: Levy BoccatoDissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de ComputaçãoResumo: Ferramentas de inteligência artificial estão se tornando cada vez mais populares em tecnologias atuais, com destaque às redes neurais convolucionais, que tem apresentado resultados surpreendentes em tarefas de visão computacional. Contudo, em alguns cenários, pode ser mais inteligível representar e analisar os dados em um domínio transformado (e.g., domínio da frequência), o que suscita a ideia de se ter um modelo cujo aprendizado e cujas operações ocorram nesse novo domínio. Por isso, esse trabalho tem como objetivo desenvolver e analisar um modelo de aprendizado em frequência baseado na transformada de Hartley, dada a característica real do espectro produzido por ela, explorando sua propriedade de convolução na criação de uma camada de processamento que surge como potencial alternativa às camadas convolucionais. O modelo proposto é caracterizado pelas seguintes etapas: (i) divisão em blocos, (ii) transformação para o domínio da frequência via transformada de Hartley, (iii) filtragem e agrupamento em frequência, e (iv) propagação dos atributos espectrais por camadas densas até gerar a saída. Tal modelo foi analisado no contexto do problema de classificação de texturas, dado seu apelo natural ao domínio da frequência, sendo utilizados três conjuntos de dados: Kylberg Texture Dataset (KTD), uma base contendo imagens monocromáticas divididas em 28 classes; KTH-TIPS2-b, uma base dividida em 11 classes e composta por imagens RGB que possuem variações em escala, posição e iluminação; e ALOT, uma base com 250 classes e que acrescenta variações em iluminação, ângulos e direção de foco em imagens também RGB. Os resultados obtidos mostram que o modelo em frequência baseado na transformada de Hartley é competitivo em comparação com algumas CNNs bem estabelecidas na literatura, e apresenta uma redução significativa no número de parâmetros ajustáveis e tempo de treinamento, constituindo uma alternativa promissora e relativamente leveAbstract: Artificial intelligence tools are becoming increasingly popular in current technologies, especially convolutional neural networks, which have shown surprising results in computer vision tasks. However, in some scenarios, it may be more intelligible to represent and analyze data in a transformed domain (e.g., frequency domain), which raises the idea of having a model whose learning and operations occur in this new domain. Therefore, this work aims to develop and analyze a frequency learning model based on the Hartley transform, given the real characteristic of the spectrum produced, exploring its convolution property in creating a processing layer that emerges as a potential alternative to convolutional layers. The proposed model is characterized by the following steps: (i) division into blocks, (ii) transformation to the frequency domain via Hartley transform, (iii) filtering and frequency grouping, and (iv) propagation of spectral attributes through dense layers until generating the output. This model was analyzed in the context of the texture classification problem, given its natural appeal to the frequency domain, using three datasets: Kylberg Texture Dataset (KTD), a database containing monochromatic images divided into 28 classes; KTH-TIPS2-b, a database divided into 11 classes and composed of RGB images that have variations in scale, position, and lighting; and ALOT, a database with 250 classes that adds variations in lighting, angles, and focus direction in RGB images. The results show that the frequency-based Hartley transform model is competitive compared to some well-established CNNs in the literature and presents a significant reduction in the number of adjustable parameters and training time, constituting a promising and relatively lightweight alternativeMestradoEngenharia de ComputaçãoMestra em Engenharia ElétricaFuncamp5629[s.n.]Boccato, Levy, 1986-Fantinato, Denis GustavoTavares, Tiago FernandesUniversidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de ComputaçãoPrograma de Pós-Graduação em Engenharia ElétricaUNIVERSIDADE ESTADUAL DE CAMPINASCanto, Natalia Gil, 1997-20232023-03-15T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdf1 recurso online (104 p.) : il., digital, arquivo PDF.https://hdl.handle.net/20.500.12733/8987CANTO, Natalia Gil. Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas. 2023. 1 recurso online (104 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8987. Acesso em: 3 set. 2024.https://repositorio.unicamp.br/acervo/detalhe/1267806Requisitos do sistema: Software para leitura de arquivo em PDFporreponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)instname:Universidade Estadual de Campinas (UNICAMP)instacron:UNICAMPinfo:eu-repo/semantics/openAccess2023-05-02T16:31:38Zoai::1267806Biblioteca Digital de Teses e DissertaçõesPUBhttp://repositorio.unicamp.br/oai/tese/oai.aspsbubd@unicamp.bropendoar:2023-05-02T16:31:38Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)false
dc.title.none.fl_str_mv Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
Frequency learning based on the Hartley transform applied to texture classification
title Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
spellingShingle Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
Canto, Natalia Gil, 1997-
Aprendizado de máquina
Redes neurais (Computação)
Classificação de imagem
Transformadas de Fourier
Transformadas de Hartley
Machine learning
Artificial neural networks
Image classification
Fourier transform
Hartley transform
title_short Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
title_full Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
title_fullStr Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
title_full_unstemmed Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
title_sort Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
author Canto, Natalia Gil, 1997-
author_facet Canto, Natalia Gil, 1997-
author_role author
dc.contributor.none.fl_str_mv Boccato, Levy, 1986-
Fantinato, Denis Gustavo
Tavares, Tiago Fernandes
Universidade Estadual de Campinas (UNICAMP). Faculdade de Engenharia Elétrica e de Computação
Programa de Pós-Graduação em Engenharia Elétrica
UNIVERSIDADE ESTADUAL DE CAMPINAS
dc.contributor.author.fl_str_mv Canto, Natalia Gil, 1997-
dc.subject.por.fl_str_mv Aprendizado de máquina
Redes neurais (Computação)
Classificação de imagem
Transformadas de Fourier
Transformadas de Hartley
Machine learning
Artificial neural networks
Image classification
Fourier transform
Hartley transform
topic Aprendizado de máquina
Redes neurais (Computação)
Classificação de imagem
Transformadas de Fourier
Transformadas de Hartley
Machine learning
Artificial neural networks
Image classification
Fourier transform
Hartley transform
description Orientador: Levy Boccato
publishDate 2023
dc.date.none.fl_str_mv 2023
2023-03-15T00:00:00Z
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.uri.fl_str_mv https://hdl.handle.net/20.500.12733/8987
CANTO, Natalia Gil. Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas. 2023. 1 recurso online (104 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8987. Acesso em: 3 set. 2024.
url https://hdl.handle.net/20.500.12733/8987
identifier_str_mv CANTO, Natalia Gil. Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas. 2023. 1 recurso online (104 p.) Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Elétrica e de Computação, Campinas, SP. Disponível em: https://hdl.handle.net/20.500.12733/8987. Acesso em: 3 set. 2024.
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://repositorio.unicamp.br/acervo/detalhe/1267806
Requisitos do sistema: Software para leitura de arquivo em PDF
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
1 recurso online (104 p.) : il., digital, arquivo PDF.
dc.publisher.none.fl_str_mv [s.n.]
publisher.none.fl_str_mv [s.n.]
dc.source.none.fl_str_mv reponame:Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
instname:Universidade Estadual de Campinas (UNICAMP)
instacron:UNICAMP
instname_str Universidade Estadual de Campinas (UNICAMP)
instacron_str UNICAMP
institution UNICAMP
reponame_str Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
collection Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP)
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da Universidade Estadual de Campinas (UNICAMP) - Universidade Estadual de Campinas (UNICAMP)
repository.mail.fl_str_mv sbubd@unicamp.br
_version_ 1809189189206409216

Registros relacionados