Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Marinho, Giovanna Carreira [UNESP]
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Universidade Estadual Paulista (Unesp)
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
Redução de dimensionalidade
Detecção de anomalia
Aprendizado de máquina
Análise de imagem
Sensoriamento remoto
Dimensionality reduction
Anomaly detection
Machine learning
Image analysis
Remote sensing
Link de acesso: https://hdl.handle.net/11449/259845
Resumo: A redução de dimensionalidade é uma das transformações de dados mais usadas em pesquisas científicas. Ela desempenha um papel crítico na manutenção das propriedades significativas dos atributos dos dados enquanto transforma esses dados de um espaço de alta para um de baixa dimensão. Estudos anteriores, e.g., sobre análise de imagens, comparando dados desses dois espaços descobriram que, geralmente, qualquer estudo relacionado à detecção de anomalias pode alcançar resultados iguais ou semelhantes quando aplicado a ambos os espaços dimensionais. No entanto, não existem estudos que comparam diferenças nesses espaços dimensionais relacionadas à estratégia de detecção de anomalias baseada na Taxonomia de Kittler (ADS-KT, do inglês Anomaly Detection Strategy based on Kittler’s Taxonomy). Este estudo tem como objetivo investigar as diferenças entre os dois espaços dimensionais, quando a técnica redução de dimensionalidade Principal Components Analysis (PCA) está associada à ADS-KT durante a análise de uma imagem de satélite. A metodologia iniciou com a execução da fase inicial da ADSKT para criar o espaço de alta dimensão. Logo após, a técnica de redução de dimensionalidade PCA gerou o espaço de baixa dimensão, em que combinações desse espaço foram feitas. Algumas características foram extraídas desses espaços dimensionais e analisadas com base em gráficos. Por fim, as abordagens de aprendizado de máquina, de acordo com a ADS-KT, produziram resultados para esses espaços. No capítulo de resultados, as métricas e as análises que avaliaram os espaços dimensionais apresentaram comportamentos diferentes. Em geral, nenhum espaço de atributos foi capaz de gerar os resultados com a mesma intensidade e qualidade que aquele obtido no espaço de alta dimensão. Portanto, concluímos que a redução da dimensionalidade impacta diretamente na aplicação da ADS-KT.
id UNSP_8d1bd6faa2d76ca03a6531726e5ee04c
oai_identifier_str oai:repositorio.unesp.br:11449/259845
network_acronym_str UNSP
network_name_str Repositório Institucional da UNESP
repository_id_str
spelling Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remotoAnalysis of two attribute spaces using a dimensionality reduction technique and an anomaly detection strategy in remote sensing imagesRedução de dimensionalidadeDetecção de anomaliaAprendizado de máquinaAnálise de imagemSensoriamento remotoDimensionality reductionAnomaly detectionMachine learningImage analysisRemote sensingA redução de dimensionalidade é uma das transformações de dados mais usadas em pesquisas científicas. Ela desempenha um papel crítico na manutenção das propriedades significativas dos atributos dos dados enquanto transforma esses dados de um espaço de alta para um de baixa dimensão. Estudos anteriores, e.g., sobre análise de imagens, comparando dados desses dois espaços descobriram que, geralmente, qualquer estudo relacionado à detecção de anomalias pode alcançar resultados iguais ou semelhantes quando aplicado a ambos os espaços dimensionais. No entanto, não existem estudos que comparam diferenças nesses espaços dimensionais relacionadas à estratégia de detecção de anomalias baseada na Taxonomia de Kittler (ADS-KT, do inglês Anomaly Detection Strategy based on Kittler’s Taxonomy). Este estudo tem como objetivo investigar as diferenças entre os dois espaços dimensionais, quando a técnica redução de dimensionalidade Principal Components Analysis (PCA) está associada à ADS-KT durante a análise de uma imagem de satélite. A metodologia iniciou com a execução da fase inicial da ADSKT para criar o espaço de alta dimensão. Logo após, a técnica de redução de dimensionalidade PCA gerou o espaço de baixa dimensão, em que combinações desse espaço foram feitas. Algumas características foram extraídas desses espaços dimensionais e analisadas com base em gráficos. Por fim, as abordagens de aprendizado de máquina, de acordo com a ADS-KT, produziram resultados para esses espaços. No capítulo de resultados, as métricas e as análises que avaliaram os espaços dimensionais apresentaram comportamentos diferentes. Em geral, nenhum espaço de atributos foi capaz de gerar os resultados com a mesma intensidade e qualidade que aquele obtido no espaço de alta dimensão. Portanto, concluímos que a redução da dimensionalidade impacta diretamente na aplicação da ADS-KT.Dimensionality reduction is one of the most widely used data transformations in scientific research. It plays a critical role in maintaining the meaningful properties of data attributes while transforming the data from a high- to a low-dimensional space. Previous studies, e.g., on image analysis, comparing data from these two spaces have found that, generally, any study related to anomaly detection can achieve the same or similar results when applied to both dimensional spaces. However, there are no studies that compare differences in these dimensional spaces related to the Anomaly Detection Strategy based on Kittler’s Taxonomy (ADS-KT). This study aims to investigate the differences between the two dimensional spaces when the dimensionality reduction technique Principal Components Analysis (PCA) is associated with ADS-KT during satellite image analysis. The methodology started by performing the initial phase of ADS-KT to create the high-dimensional space. Afterward, the dimensionality reduction technique PCA generated the low-dimensional space, in which combinations of this space were made. Some features were extracted from these dimensional spaces and analyzed based on graphics. Finally, the machine learning approaches, according to ADS-KT, produced results for these spaces. In the results chapter, the metrics and analyses that evaluated the dimensional spaces showed different behaviors. In general, no feature space was able to generate results with the same intensity and quality as that obtained in the high-dimensional space. Therefore, we conclude that dimensionality reduction directly impacts the application of ADS-KT.Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)FAPESP: 2020/06477-7Universidade Estadual Paulista (Unesp)Dias, Maurício Araújo [UNESP]Universidade Estadual Paulista (Unesp)Eler, Danilo Medeiros [UNESP]Marinho, Giovanna Carreira [UNESP]2025-01-22T11:35:06Z2025-01-22T11:35:06Z2024-12-13info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfMARINHO, Giovanna Carreira. Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto. Orientador: Maurício Araújo Dias. 2024. 81 f. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2024.https://hdl.handle.net/11449/25984533004153073P2porinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UNESPinstname:Universidade Estadual Paulista (UNESP)instacron:UNESP2025-10-22T17:05:35Zoai:repositorio.unesp.br:11449/259845Repositório InstitucionalPUBhttp://repositorio.unesp.br/oai/requestrepositoriounesp@unesp.bropendoar:29462025-10-22T17:05:35Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)false
dc.title.none.fl_str_mv Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
Analysis of two attribute spaces using a dimensionality reduction technique and an anomaly detection strategy in remote sensing images
title Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
spellingShingle Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
Marinho, Giovanna Carreira [UNESP]
Redução de dimensionalidade
Detecção de anomalia
Aprendizado de máquina
Análise de imagem
Sensoriamento remoto
Dimensionality reduction
Anomaly detection
Machine learning
Image analysis
Remote sensing
title_short Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
title_full Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
title_fullStr Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
title_full_unstemmed Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
title_sort Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
author Marinho, Giovanna Carreira [UNESP]
author_facet Marinho, Giovanna Carreira [UNESP]
author_role author
dc.contributor.none.fl_str_mv Dias, Maurício Araújo [UNESP]
Universidade Estadual Paulista (Unesp)
Eler, Danilo Medeiros [UNESP]
dc.contributor.author.fl_str_mv Marinho, Giovanna Carreira [UNESP]
dc.subject.por.fl_str_mv Redução de dimensionalidade
Detecção de anomalia
Aprendizado de máquina
Análise de imagem
Sensoriamento remoto
Dimensionality reduction
Anomaly detection
Machine learning
Image analysis
Remote sensing
topic Redução de dimensionalidade
Detecção de anomalia
Aprendizado de máquina
Análise de imagem
Sensoriamento remoto
Dimensionality reduction
Anomaly detection
Machine learning
Image analysis
Remote sensing
description A redução de dimensionalidade é uma das transformações de dados mais usadas em pesquisas científicas. Ela desempenha um papel crítico na manutenção das propriedades significativas dos atributos dos dados enquanto transforma esses dados de um espaço de alta para um de baixa dimensão. Estudos anteriores, e.g., sobre análise de imagens, comparando dados desses dois espaços descobriram que, geralmente, qualquer estudo relacionado à detecção de anomalias pode alcançar resultados iguais ou semelhantes quando aplicado a ambos os espaços dimensionais. No entanto, não existem estudos que comparam diferenças nesses espaços dimensionais relacionadas à estratégia de detecção de anomalias baseada na Taxonomia de Kittler (ADS-KT, do inglês Anomaly Detection Strategy based on Kittler’s Taxonomy). Este estudo tem como objetivo investigar as diferenças entre os dois espaços dimensionais, quando a técnica redução de dimensionalidade Principal Components Analysis (PCA) está associada à ADS-KT durante a análise de uma imagem de satélite. A metodologia iniciou com a execução da fase inicial da ADSKT para criar o espaço de alta dimensão. Logo após, a técnica de redução de dimensionalidade PCA gerou o espaço de baixa dimensão, em que combinações desse espaço foram feitas. Algumas características foram extraídas desses espaços dimensionais e analisadas com base em gráficos. Por fim, as abordagens de aprendizado de máquina, de acordo com a ADS-KT, produziram resultados para esses espaços. No capítulo de resultados, as métricas e as análises que avaliaram os espaços dimensionais apresentaram comportamentos diferentes. Em geral, nenhum espaço de atributos foi capaz de gerar os resultados com a mesma intensidade e qualidade que aquele obtido no espaço de alta dimensão. Portanto, concluímos que a redução da dimensionalidade impacta diretamente na aplicação da ADS-KT.
publishDate 2024
dc.date.none.fl_str_mv 2024-12-13
2025-01-22T11:35:06Z
2025-01-22T11:35:06Z
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 MARINHO, Giovanna Carreira. Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto. Orientador: Maurício Araújo Dias. 2024. 81 f. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2024.
https://hdl.handle.net/11449/259845
33004153073P2
identifier_str_mv MARINHO, Giovanna Carreira. Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto. Orientador: Maurício Araújo Dias. 2024. 81 f. Dissertação (Mestrado em Ciência da Computação) - Faculdade de Ciências e Tecnologia, Universidade Estadual Paulista, Presidente Prudente, 2024.
33004153073P2
url https://hdl.handle.net/11449/259845
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.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
publisher.none.fl_str_mv Universidade Estadual Paulista (Unesp)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UNESP
instname:Universidade Estadual Paulista (UNESP)
instacron:UNESP
instname_str Universidade Estadual Paulista (UNESP)
instacron_str UNESP
institution UNESP
reponame_str Repositório Institucional da UNESP
collection Repositório Institucional da UNESP
repository.name.fl_str_mv Repositório Institucional da UNESP - Universidade Estadual Paulista (UNESP)
repository.mail.fl_str_mv repositoriounesp@unesp.br
_version_ 1854954456886542336

Registros relacionados