III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.0 ≤ a i ≤ C, ∀ i (8)As SVMs ainda podem ser vistas por um ponto de vistamais geral como um classificador multiclasse. Estas modificaçõespodem ser aplicadas mapeando o conjunto de dadosem espaço Euclideano de alta dimenção (possivelmenteinfinita), estes mapeamentos são feitos utilizando funçõesde kernel (núcleo) na fase de treinamento[3]. O cálculo daSVM multiclasse é definido por:u ≡N∑a i y i K (x i ,x) − b, (9)i=1Onde a minimização dos Multiplicadore de Lagrangeainda é um problema quadrático,minaN ∑i=1a i − 1 2N∑i=1 j=1N∑K (x i ,x) a i a j y i y j , (10)3.1. Implementação deC-SVC em LIBSVMO LIBSVM é uma biblioteca de implementações deSVM desenvolvida por Chin-Chung Chang [4] com váriasfinalidades: classificação, regressão e estimativa de distribuição.O algoritmo de classificação implementado na bibliotecaleva o nome de C-SVC.Para resolução do problema quadrático o C-SVC decompõeo conjunto de Multiplicadores de Lagrange em subconjuntosmenores selecionando um subconjunto com tamanhovariável [4]. O C-SVC também implementa as técnicas Shrinkinge Caching para redução do tempo computacional. OShrinking tenta reduzir o tamanho do problema quadrático aser resolvido eliminando Multiplicadores de Lagrange quenão poderiam ser alterados com base em uma heurística demonstradaem [4]. A técnica de Caching simplesmente armazenacálculos de matrizes utilizados recentemente parautilizações futuras, reduzindo parte dos cálculos de kernelrealizados nas interações finais.Na resolução de problemas multi-classe o C-SVC utilizao método “um-contra-um", que consiste na resolução de umproblema de duas classes para cada classe, atribuindo paratodos os pontos um valor de classe baseado em uma estratégiade votação. Para pontos com valores de classe idênticosum algoritmo seleciona o de menor índice.4. Conjunto de treinamento (Dataset)Para gerar a base de aprendizagem quinze imagens docouro bovino no estágio couro crú foram selecionadas dorepositório do projeto DTCOURO. As imagens foram capturadasusando uma câmera digital de cinco megapixels durantevisitas técnicas a curtumes localizados na região deFigura 3. Ilustração do processo de marcaçãoe extração de amostras.Mato Grosso do Sul, Brasil em setembro de 2005. Para esteexperimento as imagens foram redimensionadas de uma altaresolução para 600 × 450 pixels com a intenção de economizartempo de processamento e espaço em disco. Evidênciasempíricas mostraram que não há percas efetivas como uso da escala adotada. Além do mais, as imagens foramcapturadas com pouca variação de ambiente como iluminação,ângulo e distância.Um conjunto de quatro tipo de defeitos foram escolhidos,são eles, marcas de carrapato, marca ferro, risco esarna. Os defeitos foram manualmente segmentados comajuda da ferramenta DTCOURO. Um total de trinta segmentaçõesforam realizadas sobre as imagens, representando osexemplos dos defeitos previamente citados. Após a segmentaçãomanual dos defeitos o módulo de extração de amostrasdo projeto DTCOURO foi usado para extrair amostras(“janelas"de 20 × 20 pixels “varrendo"todas as segmentaçõescomo mostra a Figura 3). Desta maneira um total de14722 amostras de 20 × 20 pixels foram criadas a partir dassegmentações.O próximo passo foi a extração de atributos. Um conjuntode 139 atributos baseados em textura foram extraídosusando Mapas de Interações [5] e Matrizes de Coocorrência[8] e6atributos de cor com os extratores HSBe RGB. Para os extratores baseados em textura foram utilizadasa medidas de similaridade, entropia, dissimilaridade,correlação, momento da diferença inversa, segundo momentoangular e diferença inversa. Mais informações sobremedidas de similaridades são encontradas em [2, 11]. Osextratores foram configurados de acordo com a Tabela 1.130