A meta-learning approach for selecting image segmentation algorithm
Ano de defesa: | 2020 |
---|---|
Autor(a) principal: | |
Orientador(a): | |
Banca de defesa: | , |
Tipo de documento: | Dissertação |
Tipo de acesso: | Acesso aberto |
Idioma: | por |
Instituição de defesa: |
Universidade Estadual de Londrina. Centro de Ciências Exatas. Programa de Pós-Graduação em Ciência da Computação.
|
Programa de Pós-Graduação: |
Não Informado pela instituição
|
Departamento: |
Não Informado pela instituição
|
País: |
BR
|
Link de acesso: | http://www.bibliotecadigital.uel.br/document/?code=vtls000231193 |
Resumo: | Sistemas de Visão Computacional são muito utilizados e importantes em diversas aplicações. Dentro desses sistemas, o processo de detectação de uma região de interesse em imagens é de suma importância. Esse processo é conhecido como segmentação. Novos algoritmos de segmentação tem sido propostos nos últimos anos, porém nenhum é ótimo para qualquer imagem. Os métodos, usualmente, utilizados para seleção do melhor algoritmo são testar todos os algoritmos ou utilizar algum conhecimento passado sobre o problema. Meta-learning tem sido utilizado pela comunidade de pesquisa em Machine earning para a recomendação do melhor algoritmo de Machine Learning para uma nova base de dados. Neste trabalho é investigado a hipótese que Meta-Learning também pode ser utilizado para recomendação do algoritmo de segmentação mais adequado. Os experimentos foram conduzidos com oito algoritmos de segmentação, com diferentes abordagens, baseadas em custo e complexidade computacional em uma base de benchmark composta de 300 imagens originais e 2100 imagens criadas por augmentation. Os resultados mostraram que através do Meta-Learning é possível recomendar o algoritmo de segmentação mais adequado com mais de 80% de acurácia para um grupo de algoritmos e com 69% para o outro grupo, superando os baselines considerando performance preditiva e de segmentação. |
id |
UEL_25fd150daf5817b07393820818984e05 |
---|---|
oai_identifier_str |
oai:uel.br:vtls000231193 |
network_acronym_str |
UEL |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UEL |
repository_id_str |
|
spelling |
info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisA meta-learning approach for selecting image segmentation algorithmSeleção de algoritmos de segmentação baseado em meta-aprendizado2020-03-19Sylvio Barbon Junior . Alan Salvany Felinto Luiz Fernando CarvalhoGabriel Jonas AguiarUniversidade Estadual de Londrina. Centro de Ciências Exatas. Programa de Pós-Graduação em Ciência da Computação.URLBRSistemas de Visão Computacional são muito utilizados e importantes em diversas aplicações. Dentro desses sistemas, o processo de detectação de uma região de interesse em imagens é de suma importância. Esse processo é conhecido como segmentação. Novos algoritmos de segmentação tem sido propostos nos últimos anos, porém nenhum é ótimo para qualquer imagem. Os métodos, usualmente, utilizados para seleção do melhor algoritmo são testar todos os algoritmos ou utilizar algum conhecimento passado sobre o problema. Meta-learning tem sido utilizado pela comunidade de pesquisa em Machine earning para a recomendação do melhor algoritmo de Machine Learning para uma nova base de dados. Neste trabalho é investigado a hipótese que Meta-Learning também pode ser utilizado para recomendação do algoritmo de segmentação mais adequado. Os experimentos foram conduzidos com oito algoritmos de segmentação, com diferentes abordagens, baseadas em custo e complexidade computacional em uma base de benchmark composta de 300 imagens originais e 2100 imagens criadas por augmentation. Os resultados mostraram que através do Meta-Learning é possível recomendar o algoritmo de segmentação mais adequado com mais de 80% de acurácia para um grupo de algoritmos e com 69% para o outro grupo, superando os baselines considerando performance preditiva e de segmentação.Computer Vision Systems are used in many important real-life applications nowadays. Image segmentation is a key issue in Computer Vision Systems. New image segmentation algorithms have been proposed in recent years. However, there is no optimal algorithm for every image processing task. The selection of the most suitable algorithm usually occurs by testing every possible algorithm or using knowledge from previous problems. These processes can have a high computational cost. Meta-learning has been successfully used in the machine learning research community for the recommendation of the most suitable machine learning algorithm for a new dataset. We believe that meta-learning can also be useful to select the most suitable image segmentation algorithm. This hypothesis is investigated in this work. For such, we perform experiments with eight segmentation algorithms from two approaches, with different complexity and computational cost, using a segmentation benchmark of 300 images and 2100 augmented images. The experimental results showed that meta-learning can recommend the most suitable segmentation algorithm with more than 80% of accuracy for one group of algorithms and with 69% for the other group, outperforming the baselines used regarding recommendation and segmentation performance.http://www.bibliotecadigital.uel.br/document/?code=vtls000231193porreponame:Biblioteca Digital de Teses e Dissertações da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess2022-10-26T10:08:43Zoai:uel.br:vtls000231193Biblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2020-12-17T12:39:58Biblioteca Digital de Teses e Dissertações da UEL - Universidade Estadual de Londrina (UEL)false |
dc.title.pt.fl_str_mv |
A meta-learning approach for selecting image segmentation algorithm |
dc.title.alternative.en.fl_str_mv |
Seleção de algoritmos de segmentação baseado em meta-aprendizado |
title |
A meta-learning approach for selecting image segmentation algorithm |
spellingShingle |
A meta-learning approach for selecting image segmentation algorithm Gabriel Jonas Aguiar |
title_short |
A meta-learning approach for selecting image segmentation algorithm |
title_full |
A meta-learning approach for selecting image segmentation algorithm |
title_fullStr |
A meta-learning approach for selecting image segmentation algorithm |
title_full_unstemmed |
A meta-learning approach for selecting image segmentation algorithm |
title_sort |
A meta-learning approach for selecting image segmentation algorithm |
author |
Gabriel Jonas Aguiar |
author_facet |
Gabriel Jonas Aguiar |
author_role |
author |
dc.contributor.advisor1.fl_str_mv |
Sylvio Barbon Junior . |
dc.contributor.referee1.fl_str_mv |
Alan Salvany Felinto |
dc.contributor.referee2.fl_str_mv |
Luiz Fernando Carvalho |
dc.contributor.author.fl_str_mv |
Gabriel Jonas Aguiar |
contributor_str_mv |
Sylvio Barbon Junior . Alan Salvany Felinto Luiz Fernando Carvalho |
description |
Sistemas de Visão Computacional são muito utilizados e importantes em diversas aplicações. Dentro desses sistemas, o processo de detectação de uma região de interesse em imagens é de suma importância. Esse processo é conhecido como segmentação. Novos algoritmos de segmentação tem sido propostos nos últimos anos, porém nenhum é ótimo para qualquer imagem. Os métodos, usualmente, utilizados para seleção do melhor algoritmo são testar todos os algoritmos ou utilizar algum conhecimento passado sobre o problema. Meta-learning tem sido utilizado pela comunidade de pesquisa em Machine earning para a recomendação do melhor algoritmo de Machine Learning para uma nova base de dados. Neste trabalho é investigado a hipótese que Meta-Learning também pode ser utilizado para recomendação do algoritmo de segmentação mais adequado. Os experimentos foram conduzidos com oito algoritmos de segmentação, com diferentes abordagens, baseadas em custo e complexidade computacional em uma base de benchmark composta de 300 imagens originais e 2100 imagens criadas por augmentation. Os resultados mostraram que através do Meta-Learning é possível recomendar o algoritmo de segmentação mais adequado com mais de 80% de acurácia para um grupo de algoritmos e com 69% para o outro grupo, superando os baselines considerando performance preditiva e de segmentação. |
publishDate |
2020 |
dc.date.issued.fl_str_mv |
2020-03-19 |
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 |
http://www.bibliotecadigital.uel.br/document/?code=vtls000231193 |
url |
http://www.bibliotecadigital.uel.br/document/?code=vtls000231193 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.publisher.none.fl_str_mv |
Universidade Estadual de Londrina. Centro de Ciências Exatas. Programa de Pós-Graduação em Ciência da Computação. |
dc.publisher.initials.fl_str_mv |
URL |
dc.publisher.country.fl_str_mv |
BR |
publisher.none.fl_str_mv |
Universidade Estadual de Londrina. Centro de Ciências Exatas. Programa de Pós-Graduação em Ciência da Computação. |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UEL instname:Universidade Estadual de Londrina (UEL) instacron:UEL |
instname_str |
Universidade Estadual de Londrina (UEL) |
instacron_str |
UEL |
institution |
UEL |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UEL |
collection |
Biblioteca Digital de Teses e Dissertações da UEL |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UEL - Universidade Estadual de Londrina (UEL) |
repository.mail.fl_str_mv |
bcuel@uel.br|| |
_version_ |
1757174575608627200 |