Aprendizado em frequência baseado na transformada de Hartley aplicado à classificação de texturas
Autor(a) principal: | |
---|---|
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 |