A meta-learning approach for selecting image segmentation algorithm

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Aguiar, Gabriel Jonas
Orientador(a): Barbon Junior, Sylvio [Orientador]
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Computação
Segmentação de imagem
Algoritmos de computador
Aprendizado do computador
Computer science
Image segmentation
Computer algorithms
Machine learning
Link de acesso: https://repositorio.uel.br/handle/123456789/8934
Resumo: 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 3 imagens originais e 21 imagens criadas por augmentation Os resultados mostraram que através do Meta-Learning é possível recomendar o algoritmo de segmentação mais adequado com mais de 8% 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_95279764a66894a8239ef8bdd06d9224
oai_identifier_str oai:repositorio.uel.br:123456789/8934
network_acronym_str UEL
network_name_str Repositório Institucional da UEL
repository_id_str
spelling Aguiar, Gabriel JonasFelinto, Alan Salvany4e1f4ae0-4c9c-4a28-a6d0-8562888eab79-1Carvalho, Luiz Fernando8dad177f-67c8-4015-8f9d-74829ba736c0-103910580-7ba1-4236-8179-89ffb908854a94aaf54d-a259-4269-aca8-d1c56214b619Barbon Junior, Sylvio [Orientador]Londrina2024-05-01T11:45:44Z2024-05-01T11:45:44Z2020.0019.03.2020https://repositorio.uel.br/handle/123456789/8934Resumo: 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 3 imagens originais e 21 imagens criadas por augmentation Os resultados mostraram que através do Meta-Learning é possível recomendar o algoritmo de segmentação mais adequado com mais de 8% de acurácia para um grupo de algoritmos e com 69% para o outro grupo, superando os baselines considerando performance preditiva e de segmentaçãoDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da ComputaçãoAbstract: 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 3 images and 21 augmented images The experimental results showed that meta-learning can recommend the most suitable segmentation algorithm with more than 8% of accuracy for one group of algorithms and with 69% for the other group, outperforming the baselines used regarding recommendation and segmentation performanceporComputaçãoSegmentação de imagemAlgoritmos de computadorAprendizado do computadorComputer scienceImage segmentationComputer algorithmsMachine learningA meta-learning approach for selecting image segmentation algorithminfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisMestradoCiência da ComputaçãoCentro de Ciências ExatasPrograma de Pós-Graduação em Ciência da Computação-1-1reponame:Repositório Institucional da UELinstname:Universidade Estadual de Londrina (UEL)instacron:UELinfo:eu-repo/semantics/openAccess7230vtls000231193SIMvtls000231193http://www.bibliotecadigital.uel.br/document/?code=vtls00023119364.00SIMhttp://www.bibliotecadigital.uel.br/document/?code=vtls0002311937385.pdf123456789/5002 - Mestrado - Ciência da ComputaçãoORIGINAL7385.pdfapplication/pdf2572568https://repositorio.uel.br/bitstreams/a8080821-8845-46c3-9b68-12ee92999b86/download401dfba64efa52f3e08847af30c82e4aMD51LICENCElicence.txttext/plain263https://repositorio.uel.br/bitstreams/2c39e931-adb2-47a7-b3be-d4fa958c19c6/download753f376dfdbc064b559839be95ac5523MD52THUMBNAIL7385.pdf.jpg7385.pdf.jpgGenerated Thumbnailimage/jpeg3450https://repositorio.uel.br/bitstreams/c4c20968-638f-40fd-a24e-b147d6f705a5/download214e96c2aa03a8f59e5ff982f0976e0cMD53123456789/89342024-07-12 01:19:41.016open.accessoai:repositorio.uel.br:123456789/8934https://repositorio.uel.brBiblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:19:41Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false
dc.title.pt_BR.fl_str_mv A meta-learning approach for selecting image segmentation algorithm
title A meta-learning approach for selecting image segmentation algorithm
spellingShingle A meta-learning approach for selecting image segmentation algorithm
Aguiar, Gabriel Jonas
Computação
Segmentação de imagem
Algoritmos de computador
Aprendizado do computador
Computer science
Image segmentation
Computer algorithms
Machine learning
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 Aguiar, Gabriel Jonas
author_facet Aguiar, Gabriel Jonas
author_role author
dc.contributor.banca.pt_BR.fl_str_mv Felinto, Alan Salvany
Carvalho, Luiz Fernando
dc.contributor.author.fl_str_mv Aguiar, Gabriel Jonas
dc.contributor.authorID.fl_str_mv 03910580-7ba1-4236-8179-89ffb908854a
dc.contributor.advisor1ID.fl_str_mv 94aaf54d-a259-4269-aca8-d1c56214b619
dc.contributor.advisor1.fl_str_mv Barbon Junior, Sylvio [Orientador]
contributor_str_mv Barbon Junior, Sylvio [Orientador]
dc.subject.por.fl_str_mv Computação
Segmentação de imagem
Algoritmos de computador
Aprendizado do computador
Computer science
Image segmentation
Computer algorithms
Machine learning
topic Computação
Segmentação de imagem
Algoritmos de computador
Aprendizado do computador
Computer science
Image segmentation
Computer algorithms
Machine learning
description 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 3 imagens originais e 21 imagens criadas por augmentation Os resultados mostraram que através do Meta-Learning é possível recomendar o algoritmo de segmentação mais adequado com mais de 8% de acurácia para um grupo de algoritmos e com 69% para o outro grupo, superando os baselines considerando performance preditiva e de segmentação
publishDate 2024
dc.date.defesa.pt_BR.fl_str_mv 19.03.2020
dc.date.created.fl_str_mv 2020.00
dc.date.accessioned.fl_str_mv 2024-05-01T11:45:44Z
dc.date.available.fl_str_mv 2024-05-01T11:45:44Z
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://repositorio.uel.br/handle/123456789/8934
url https://repositorio.uel.br/handle/123456789/8934
dc.language.iso.fl_str_mv por
language por
dc.relation.confidence.fl_str_mv -1
-1
dc.relation.coursedegree.pt_BR.fl_str_mv Mestrado
dc.relation.coursename.pt_BR.fl_str_mv Ciência da Computação
dc.relation.departament.pt_BR.fl_str_mv Centro de Ciências Exatas
dc.relation.ppgname.pt_BR.fl_str_mv Programa de Pós-Graduação em Ciência da Computação
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.coverage.spatial.pt_BR.fl_str_mv Londrina
dc.source.none.fl_str_mv reponame:Repositório Institucional da UEL
instname:Universidade Estadual de Londrina (UEL)
instacron:UEL
instname_str Universidade Estadual de Londrina (UEL)
instacron_str UEL
institution UEL
reponame_str Repositório Institucional da UEL
collection Repositório Institucional da UEL
bitstream.url.fl_str_mv https://repositorio.uel.br/bitstreams/a8080821-8845-46c3-9b68-12ee92999b86/download
https://repositorio.uel.br/bitstreams/2c39e931-adb2-47a7-b3be-d4fa958c19c6/download
https://repositorio.uel.br/bitstreams/c4c20968-638f-40fd-a24e-b147d6f705a5/download
bitstream.checksum.fl_str_mv 401dfba64efa52f3e08847af30c82e4a
753f376dfdbc064b559839be95ac5523
214e96c2aa03a8f59e5ff982f0976e0c
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)
repository.mail.fl_str_mv bcuel@uel.br||
_version_ 1856675740447145984

Registros relacionados