Explorando abordagens de aprendizado sequencial para floresta de caminhos ótimos
Contribuinte(s) |
Universidade Estadual Paulista (UNESP) |
---|---|
Data(s) |
09/04/2015
09/04/2015
25/02/2014
|
Resumo |
Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) Pós-graduação em Ciência da Computação - IBILCE The interpretation of classification problem as a graph search provides a rich framework with correct and efficient algorithms. The Optimum-Path Fo- rest classifier can reduce classification to the the computation of an optimum- path forest according to a connectivity function, which assigns a value to any path in the graph. Considering the maximum value among all possible paths with terminus at each node, the optimum path is trivial for some nodes, cal- led roots, and the remaining nodes will have an optimum path coming from their most strongly connected root, partitioning the graph into an optimum- path forest (disjoint sets of optimum-path trees). Notwithstanding, to clas- sify out-of-sample, we assume that each sample in the new dataset composes one node in the graph and we compute their most strongly connected root within all spanning trees. As one can see, this procedure do not take advan- tage of the problem structure information, which can be fundamental for a better precision of the results. In this context, the purpose of this work is to evaluate the contribution of contextual modelling techniques, such as Mar- kov random fields and stacked classifiers. The first approach, called Markov random fields, sumarizes the system overall behavior through its local inte- ractions. The second approach, based on combination of classifiers, model the interaction between samples in the space scale, which provides effici- ent implementations of long interaction by defining neighborly relations in multiple scales. The results for brain tissue segmentation of magnetic reso- nance images and land-cover classification of multi-spectral satellite images show that the contextual information can improve the effectiveness of the Optimum-Path Forest classifier A modelagem do problema de classificação como um problema de busca em um grafo fornece uma estrutura elegante, rica em algoritmos eficientes e comprovadamente corretos. A abordagem Floresta de Caminhos Ótimos reduz o problema de classificação para o cálculo de uma floresta de cami- nhos ótimos relativa a uma função de conectividade, a qual atribui um valor a qualquer caminho no grafo. Considerando o valor máximo entre todos os caminhos possíveis com término em cada vértice, o caminho ideal é trivial para alguns vértices, chamados raízes, e para os vértices restantes, a minimi- zação da função de conectividade atribui a cada vértice um caminho de custo mínimo a partir de sua raiz mais fortemente conectada. Não obstante, para a classificação de novos conjuntos de dados, assume-se que cada amostra compõe um vértice pertecente ao grafo e calcula-se a afinidade deste vértice às árvores geradoras mínimas respectivas a cada classe. Este procedimento não utiliza a estrutura inerente da aplicação que pode ser fundamental para uma melhor precisão dos resultados. Dentro desse contexto, este trabalho avalia a contribuição de técnicas de modelagem contextual como os campos aleatórios Markovianos e as abordagens de empilhamento de classificado- res. A modelagem do campo aleatório sumariza o comportamento global do sistema através de suas interações locais. Os métodos baseados em empilha- mento de classificadores interpretam as interações entre as amostras como uma análise no espaço escala, capturando as interações de longa distância de forma eficiente através da definição das regiões de vizinhança em múltiplas escalas. Resultados obtidos para a classificação de estruturas anatômicas do cérebro em imagens de ressonância magnética e de coberturas do solo em imagens multi-espectrais de sensoriamento remoto monstram que a inclusão da informação contextual é de fato capaz de melhorar ... |
Formato |
55 f. : il., tabs. |
Identificador |
NAKAMURA, Rodrigo Yuji Mizobe. Explorando abordagens de aprendizado sequencial para floresta de caminhos ótimos. 2014. 55 f. Dissertação (mestrado) - Universidade Estadual Paulista Julio de Mesquita Filho, Instituto de Biociências, Letras e Ciências Exatas, 2014. http://hdl.handle.net/11449/122159 000813449 000813449.pdf 33004153073P2 |
Idioma(s) |
por |
Publicador |
Universidade Estadual Paulista (UNESP) |
Direitos |
openAccess |
Palavras-Chave | #Computação #Processamento de imagens - Tecnicas digitais #Floresta de caminhos ótimos #Markov, Campos aleatórios de #Arvores (Teoria dos grafos) #Computer science |
Tipo |
info:eu-repo/semantics/masterThesis |