Adriano Martins Moutinho
Resumo
A detecção de padrões em imagens está associada a quatro etapas principais: Aquisição de dados, extração de características, seleção das variáveis relevantes, treinamento e testes do classificador. A maioria dos trabalhos nesta área tem como tema central a técnica de inteligência computacional, como MLPs e SVMs. No entanto, estes métodos usualmente não obtém sucesso se aplicados a dados sem tratamento, ou seja, sem que seja efetuada uma adequada extração de características. Depois desta etapa deve-se mensurar a relevância que cada medição extraída possui na capacidade discriminatória, escolhendo assim as melhores variáveis para compor o modelo. Esta tarefa, conhecida como seleção de características, é de ele vada importância, pois não será bom o desempenho dos classificadores alimentados com variáveis pouco úteis à separação das classes. Esta tese proõe um método, denominado wrapper de análise de sensibilidade, que faz uso do próprio classificador para efetuar a seleção de características. Desta forma, as variáveis escolhidas serão as que melhor se adaptem à técnica empregada, obtendo-se uma otimização em desempenho e também custo computacional. Esta tese também propõe um sistema de treinamento em comitê, ou seja, onde diversos classificadores são combinados buscando um maior número de acertos. A validação destas duas propostas será efetuada através de oito estudos de caso em detecção de padrões em imagens: caracteres de placas automotivas, nacionalidade de veículos, eventos ambientais costeiros, segmentação de imagens, imagens de satélite, letras, faces humanas e patologias em cardiotocografia.
Abstract
Any kind of pattern detection is often associated to four main stages: database acquisition, feature extraction, selection of relevant variables, training and testing of the classifier. The central theme of most works in the area of image pattern detection is the fourth stage, the computational intelligent method, such as MLPs or SVMs. However, those methods alone are not usually successful if applied directly to non-processed images and raw data, without an appropriate feature extraction. After that stage, it is necessary to measure the relevance of each extracted characteristic according to the discrimination capability, and select the best ones. This task, known as feature selection, is very important because good classification performance is not achieved when most variables are useless to separate classes. This thesis proposes a method, called sensibility analysis wrapper, which uses the trained classifier itself to execute feature selection. The variables will be chosen to best adapt the classification technique, and results will be optimized not only in performance but also in computational cost. This thesis also proposes an ensemble training optimization. In other words, a strategy to combine different classifiers and raise performance. The proposals are validated and tested by eight classification case-studies on image pattern detection: car plate characters, car nationality, coastal and oceanic environmental events, image segmentation, satellite images, letters, human faces and cardiotocography pathology.
