A meta-learning approach for selecting image segmentation algorithm

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Gabriel Jonas Aguiar
Orientador(a): Sylvio Barbon Junior .
Banca de defesa: Alan Salvany Felinto, Luiz Fernando Carvalho
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

Registros relacionados