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.Conjunto Frutas Folhas Céu Total20% 1110 5602 35 674730% 1278 5997 117 739250% 1349 6283 225 785770% 1363 6297 261 7921100% 1364 6297 275 7936Tabela 1. Número de vetores em cada classepara o caso RGB.Conjunto Frutas Folhas Céu Total20% 566 5405 31 600230% 1155 6029 89 727350% 1331 6277 209 781770% 1363 6297 255 7915100% 1364 6297 275 7936Tabela 2. Número de vetores em cada classeparaocasoHSV.Com o objetivo de avaliar a relação entre quantidadede dimensões e a taxa de classificações corretas,esta técnica foi adotada. Deste modo também, evita-sea “maldição da dimensionalidade”, a qual prejudica diretamenteos classificadores [6].Neste trabalho, a PCA foi feita em cada um dos conjuntosde treinamento e as matrizes de transformaçãoencontradas foram usadas para transformar os conjuntosde treinamento e de teste.6. Classificador baseado no perceptronmulticamadasClassificadores construídos com redes neurais artificiais(RNA) toleram ruídos, são rápidos, devido ao seubaixo custo computacional, e podem aprender superfíciesde decisão não-lineares [7]. O perceptron multicamadas(PMC) é uma das arquiteturas de RNA quepode ser usada como classificador de padrões, entretanto,o algoritmo padrão de treinamento, o backpropagation,é lento, ou seja, precisa de muitas iteraçõespara convergir. O treino do PMC pode ser mais rápidocom o algoritmo iRprop, um algoritmo adaptativode descida de gradiente que é acurado, robusto erápido [8].Neste trabalho, cada tipo de vetor de característicasé classificado por um PMC com topologia específica,onde o número de entradas coincide com com o númerode dimensões dos vetores de características. Então,são construídos PMC para cada conjunto de treinamento,onde estes PMC suportam vetores de característicasde duas até 20 dimensões, o que resulta em 190PMC. Todos os PMC têm 10 neurônios na camada escondidae três neurônios na camada de saída, tal quecada um destes representa uma das classes.Todos os PMC são treinados três vezes. O treinamentotermina quando o erro quadrático médio (EQM)émenorque0, 0001 ou o número de iterações é maiorque 200.000. Antes de cada treinamento, os vetores sãoembaralhados. A função de ativação dos neurônios éatangente hiperbólica, com parâmetro igual a 0, 9. Ospesos sinápticos são inicializados com valores aleatórios.Os demais parâmetros têm os valores padrão dabiblioteca Fann.As redes, obtidas após o treinamento, são usadaspara classificar os vetores do conjunto de teste. Cadavetor é apresentado para a rede e éatribuído para aclasse correspondente ao neurônio de saída que retornáo maior valor. A taxa de acertos de cada classificadoré calculada comparando-se os dados obtidos destecom os dados obtidos na classificação manual dos segmentos.Dentre os três treinamentos de cada uma dasredes, o que apresenta maior taxa de acertos é escolhido.7. Classificador baseado no teorema deBayesA abordagem estatística utiliza o teorema de Bayespara calcular o valor da probabilidade de um determinadovetor de características pertencer a uma classe.Isto possibilita a atribuição criteriosa a uma classe,quando a fdp e a probabilidade a priori modelam adequadamenteo conjunto de treinamento. Caso a fdp e aprobabilidade a priori não sejam conhecidas, estas devemser estimadas a partir do conjunto de treinamento.A fdp pode ser obtida através de técnicas paramétricasou não-paramétricas. As técnicas paramétricassão utilizadas quando é conhecida a fdp que originouo conjunto de treinamento, mas os parâmetros destanão são conhecidos e devem ser estimados. As técnicasnão-paramétricas são necessárias quando não existe conhecimentosuficiente que possa ser utilizado para determinara fdp ou quando a densidade do conjunto detreinamento assume uma função não conhecida, comoé o caso deste trabalho.As técnicas não-paramétricas podem ser baseadasem janelas ou em vizinhos mais próximos. Uma das dificuldadesé encontrar um tamanho de janela adequadopara todo o domínio do conjunto de treinamento. Osmétodos de vizinhos mais próximos não sofrem desteproblema, entretanto a quantidade de vizinhos tambémdeve ser determinada manualmente. Os dados aserem avaliados na estimativa de um ponto da fdp po-194