Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Campos, Gabriel Fillipe Centini
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:
Sistemas de reconhecimento de padrões
Processamento de imagens
Visão por computador
Aprendizado do computador
Algoritmos genéticos
Machine learning
Pattern recognition
Genetic algorithms
Image processing
Computer vision
Link de acesso: https://repositorio.uel.br/handle/123456789/15691
Resumo: Resumo: Existem vários algoritmos de segmentação de imagens, porém, não existe um algoritmo que seja adequado para todos os tipos de aplicações envolvendo imagens Recomendar um algoritmo de segmentação ideal é uma tarefa desafiadora que requer conhecimento sobre o problema e sobre os algoritmos Nos últimos anos, o Meta-Aprendizado, oriundo do Aprendizado de Máquina, emergiu para contribuir na solução do problema de seleção de algoritmos Neste trabalho, Meta-Aprendizado foi utilizado para recomendar algoritmos de segmentação de imagens, baseando-se em meta-conhecimento Experimentos foram realizados em quatro meta-bases (bases de dados de Meta-Aprendizado) diferentes que representam problemas reais, recomendando se três diferentes segmentadores (Otsu, K-means e SVM) são adequados ou não adequados para uma dada imagem Um conjunto de 44 características baseadas em cor, domínio da frequência, histograma, textura, contraste e qualidade de imagem foi extraído das amostras, para realizar a tarefa de recomendação em diferentes cenários de segmentação Os resultados mostraram que, em geral, os meta-modelos construídos com o algoritmo Random Forest obtiveram alta performance em recomendar o algoritmo de segmentação,se comparados com os meta-modelos construídos por outros oito algoritmos
id UEL_a1a8849d950ff6d09b093343cbc5d72f
oai_identifier_str oai:repositorio.uel.br:123456789/15691
network_acronym_str UEL
network_name_str Repositório Institucional da UEL
repository_id_str
spelling Campos, Gabriel Fillipe CentiniFelinto, Alan Salvany4e1f4ae0-4c9c-4a28-a6d0-8562888eab79-1França, José Alexandre de21a8afd6-9ca5-47ad-a607-8a57d061b4ce-1Melo, Leonimer Flávio debad4b44c-bf14-45ae-874e-42d5b6ef6c56-18a965547-6648-4d4d-9e20-386e8c9a5f5494aaf54d-a259-4269-aca8-d1c56214b619Barbon Junior, Sylvio [Orientador]Londrina2024-05-01T14:54:18Z2024-05-01T14:54:18Z2016.0025.11.2016https://repositorio.uel.br/handle/123456789/15691Resumo: Existem vários algoritmos de segmentação de imagens, porém, não existe um algoritmo que seja adequado para todos os tipos de aplicações envolvendo imagens Recomendar um algoritmo de segmentação ideal é uma tarefa desafiadora que requer conhecimento sobre o problema e sobre os algoritmos Nos últimos anos, o Meta-Aprendizado, oriundo do Aprendizado de Máquina, emergiu para contribuir na solução do problema de seleção de algoritmos Neste trabalho, Meta-Aprendizado foi utilizado para recomendar algoritmos de segmentação de imagens, baseando-se em meta-conhecimento Experimentos foram realizados em quatro meta-bases (bases de dados de Meta-Aprendizado) diferentes que representam problemas reais, recomendando se três diferentes segmentadores (Otsu, K-means e SVM) são adequados ou não adequados para uma dada imagem Um conjunto de 44 características baseadas em cor, domínio da frequência, histograma, textura, contraste e qualidade de imagem foi extraído das amostras, para realizar a tarefa de recomendação em diferentes cenários de segmentação Os resultados mostraram que, em geral, os meta-modelos construídos com o algoritmo Random Forest obtiveram alta performance em recomendar o algoritmo de segmentação,se comparados com os meta-modelos construídos por outros oito algoritmosDissertação (Mestrado em Ciência da Computação) - Universidade Estadual de Londrina, Centro de Ciências Exatas, Programa de Pós-Graduação em Ciência da ComputaçãoAbstract: There are many algorithms for image segmentation, but there is no optimal algorithm for all kind of image applications To recommend an adequate algorithm for image segmentation is a challenging task that requires knowledge about the problem and the algorithmsInthepastyears,Meta-Learning has emerged from the Machine Learning research field to help solving the algorithm selection problem This paper applies Meta-Learning to recommend image segmentation algorithms based on meta-knowledge We performed experiments in four different meta-databases that represent various real problems, recommending when three different segmentation techniques are adequate or not A set of 44 features based on color, frequency domain, histogram, texture, contrast and image quality was extracted from images in order to perform the recommending task in different segmentation scenarios Results show that Random Forest meta-models were able to recommend the segmentation algorithm at the overall scenario with high predictive performance in comparison to other eight algorithmsporSistemas de reconhecimento de padrõesProcessamento de imagensVisão por computadorAprendizado do computadorAlgoritmos genéticosMachine learningPattern recognitionGenetic algorithmsImage processingComputer visionUma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagensinfo: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/openAccess178330vtls000210079SIMvtls000210079http://www.bibliotecadigital.uel.br/document/?code=vtls00021007964.00SIMhttp://www.bibliotecadigital.uel.br/document/?code=vtls0002100794992.pdf123456789/5002 - Mestrado - Ciência da ComputaçãoORIGINAL4992.pdfapplication/pdf22811939https://repositorio.uel.br/bitstreams/5d79a669-c9eb-497d-bd4f-965df34b69ed/download0d1f3c0dfb92b9cd7b9d9928a26a23f5MD51LICENCElicence.txttext/plain263https://repositorio.uel.br/bitstreams/f0ea8c51-da51-474a-81c7-b01124d359c7/download753f376dfdbc064b559839be95ac5523MD52TEXT4992.pdf.txt4992.pdf.txtExtracted texttext/plain102860https://repositorio.uel.br/bitstreams/5e9bcd69-155c-483e-9a29-30721e383fd6/download00fbfdca62992aa463f078eac5e3ca3bMD53THUMBNAIL4992.pdf.jpg4992.pdf.jpgGenerated Thumbnailimage/jpeg3468https://repositorio.uel.br/bitstreams/1819c87b-9686-4a8d-a5b5-abe5bfb9be81/download98c94237dc453954fa9d5d1dc727fa9aMD54123456789/156912024-07-12 01:20:02.254open.accessoai:repositorio.uel.br:123456789/15691https://repositorio.uel.brBiblioteca Digital de Teses e Dissertaçõeshttp://www.bibliotecadigital.uel.br/PUBhttp://www.bibliotecadigital.uel.br/OAI/oai2.phpbcuel@uel.br||opendoar:2024-07-12T04:20:02Repositório Institucional da UEL - Universidade Estadual de Londrina (UEL)false
dc.title.pt_BR.fl_str_mv Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
title Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
spellingShingle Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
Campos, Gabriel Fillipe Centini
Sistemas de reconhecimento de padrões
Processamento de imagens
Visão por computador
Aprendizado do computador
Algoritmos genéticos
Machine learning
Pattern recognition
Genetic algorithms
Image processing
Computer vision
title_short Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
title_full Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
title_fullStr Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
title_full_unstemmed Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
title_sort Uma abordagem baseada em meta-aprendizado para recomendar algoritmos de segmentação de imagens
author Campos, Gabriel Fillipe Centini
author_facet Campos, Gabriel Fillipe Centini
author_role author
dc.contributor.banca.pt_BR.fl_str_mv Felinto, Alan Salvany
França, José Alexandre de
Melo, Leonimer Flávio de
dc.contributor.author.fl_str_mv Campos, Gabriel Fillipe Centini
dc.contributor.authorID.fl_str_mv 8a965547-6648-4d4d-9e20-386e8c9a5f54
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 Sistemas de reconhecimento de padrões
Processamento de imagens
Visão por computador
Aprendizado do computador
Algoritmos genéticos
Machine learning
Pattern recognition
Genetic algorithms
Image processing
Computer vision
topic Sistemas de reconhecimento de padrões
Processamento de imagens
Visão por computador
Aprendizado do computador
Algoritmos genéticos
Machine learning
Pattern recognition
Genetic algorithms
Image processing
Computer vision
description Resumo: Existem vários algoritmos de segmentação de imagens, porém, não existe um algoritmo que seja adequado para todos os tipos de aplicações envolvendo imagens Recomendar um algoritmo de segmentação ideal é uma tarefa desafiadora que requer conhecimento sobre o problema e sobre os algoritmos Nos últimos anos, o Meta-Aprendizado, oriundo do Aprendizado de Máquina, emergiu para contribuir na solução do problema de seleção de algoritmos Neste trabalho, Meta-Aprendizado foi utilizado para recomendar algoritmos de segmentação de imagens, baseando-se em meta-conhecimento Experimentos foram realizados em quatro meta-bases (bases de dados de Meta-Aprendizado) diferentes que representam problemas reais, recomendando se três diferentes segmentadores (Otsu, K-means e SVM) são adequados ou não adequados para uma dada imagem Um conjunto de 44 características baseadas em cor, domínio da frequência, histograma, textura, contraste e qualidade de imagem foi extraído das amostras, para realizar a tarefa de recomendação em diferentes cenários de segmentação Os resultados mostraram que, em geral, os meta-modelos construídos com o algoritmo Random Forest obtiveram alta performance em recomendar o algoritmo de segmentação,se comparados com os meta-modelos construídos por outros oito algoritmos
publishDate 2024
dc.date.defesa.pt_BR.fl_str_mv 25.11.2016
dc.date.created.fl_str_mv 2016.00
dc.date.accessioned.fl_str_mv 2024-05-01T14:54:18Z
dc.date.available.fl_str_mv 2024-05-01T14:54:18Z
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/123456789/15691
url https://repositorio.uel.br/handle/123456789/15691
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/5d79a669-c9eb-497d-bd4f-965df34b69ed/download
https://repositorio.uel.br/bitstreams/f0ea8c51-da51-474a-81c7-b01124d359c7/download
https://repositorio.uel.br/bitstreams/5e9bcd69-155c-483e-9a29-30721e383fd6/download
https://repositorio.uel.br/bitstreams/1819c87b-9686-4a8d-a5b5-abe5bfb9be81/download
bitstream.checksum.fl_str_mv 0d1f3c0dfb92b9cd7b9d9928a26a23f5
753f376dfdbc064b559839be95ac5523
00fbfdca62992aa463f078eac5e3ca3b
98c94237dc453954fa9d5d1dc727fa9a
bitstream.checksumAlgorithm.fl_str_mv MD5
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_ 1856675783577174016

Registros relacionados