Tese

Análise de texturas dinâmicas baseada em sistemas complexos (2017)

• Authors:
  • Ribas, Lucas Correia
  • Bruno, Odemir Martinez (Orientador)
• Autor USP: RIBAS, LUCAS CORREIA - ICMC
• Unidade: ICMC
• Sigla do Departamento: FCM
• Subjects: REDES COMPLEXAS; VISÃO COMPUTACIONAL; NANOTECNOLOGIA; PROCESSAMENTO DE IMAGENS
• Keywords: Caminhada determinística parcialmente auto-repulsiva; Complex networks; Complex system; Complexidade; Complexity; Deterministic walk partially self-repulsive; Dynamic texture; Sistemas complexos; Textura dinâmica
• Language: Português
• Abstract: A análise de texturas dinâmicas tem se apresentado como uma área de pesquisa crescente e em potencial nos últimos anos em visão computacional. As texturas dinâmicas são sequências de imagens de textura (i.e. vídeo) que representam objetos dinâmicos. Exemplos de texturas dinâmicas são: evolução de colônia de bactérias, crescimento de tecidos do corpo humano, escada rolante em movimento, cachoeiras, fumaça, processo de corrosão de metal, entre outros. Apesar de existirem pesquisas relacionadas com o tema e de resultados promissores, a maioria dos métodos da literatura possui limitações. Além disso, em muitos casos as texturas dinâmicas são resultado de fenômenos complexos, tornando a tarefa de caracterização um desafio ainda maior. Esse cenário requer o desenvolvimento de um paradigma de métodos baseados em complexidade. A complexidade pode ser compreendida como uma medida de irregularidade das texturas dinâmicas, permitindo medir a estrutura dos pixels e quantificar os aspectos espaciais e temporais. Neste contexto, o objetivo deste mestrado é estudar e desenvolver métodos para caracterização de texturas dinâmicas baseado em metodologias de complexidade advindas da área de sistemas complexos. Em particular, duas metodologias já utilizadas em problemas de visão computacional são consideradas: redes complexas e caminhada determinística parcialmente auto-repulsiva. A partir dessas metodologias, três métodos de caracterização de texturas dinâmicas foram desenvolvidos: (i) baseadoem difusão em redes - (ii) baseado em caminhada determinística parcialmente auto-repulsiva - (iii) baseado em redes geradas por caminhada determinística parcialmente auto-repulsiva. Os métodos desenvolvidos foram aplicados em problemas de nanotecnologia e tráfego de veículos, apresentando resultados potenciais e contribuindo para o desenvolvimento de ambas áreas.
• Imprenta:
  • Publisher place: São Carlos
  • Date published: 2017
• Data da defesa: 27.04.2017


---

How to cite

A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas

• ABNT

  RIBAS, Lucas Correia; BRUNO, Odemir Martinez. Análise de texturas dinâmicas baseada em sistemas complexos. 2017.Universidade de São Paulo, São Carlos, 2017. Disponível em: < http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28072017-141204/ >.

• APA

  Ribas, L. C., & Bruno, O. M. (2017). Análise de texturas dinâmicas baseada em sistemas complexos. Universidade de São Paulo, São Carlos. Recuperado de http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28072017-141204/

• NLM

  Ribas LC, Bruno OM. Análise de texturas dinâmicas baseada em sistemas complexos [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28072017-141204/

• Vancouver

  Ribas LC, Bruno OM. Análise de texturas dinâmicas baseada em sistemas complexos [Internet]. 2017 ;Available from: http://www.teses.usp.br/teses/disponiveis/55/55134/tde-28072017-141204/

Últimas obras dos mesmos autores vinculados com a USP cadastradas na BDPI:

• Dynamic texture analysis using networks generated by deterministic partially self-avoiding walks
• Dynamic texture classification using deterministic partially self-avoiding walks on networks
• Dynamic texture analysis with diffusion in networks
• Randomized neural network based signature for dynamic texture classification
• A fractal-based approach to network characterization applied to texture analysis
• Distance transform network for shape analysis
• Life-like network automata descriptor based on binary patterns for network classification
• Fusion of complex networks and randomized neural networks for texture analysis
• Spatio-spectral networks for color-texture analysis
• Evaluating deep convolutional neural networks as texture feature extractors