W-operator learning using linear models for both gray-level and binary inputs (2017)
- Authors:
- Autor USP: MONTAGNER, IGOR DOS SANTOS - IME
- Unidade: IME
- Sigla do Departamento: MAC
- Assunto: CIENCIA DA COMPUTACAO
- Keywords: Aprendizado de máquina; Image processing; Linear classification methods; Machine learning; Máquinas de suporte vetorial; Processamento de imagens; Projeto automático de W-operadores; Support vector machines; W-operator learning
- Agências de fomento:
- Language: Inglês
- Abstract: Processamento de imagens pode ser usado para resolver problemas em diversas áreas, como imagens médicas, processamento de documentos e segmentação de objetos. Operadores de imagens normalmente são construídos combinando diversos operadores elementares e ajustando seus parâmetros. Uma abordagem alternativa é a estimação de operadores de imagens a partir de pares de exemplos contendo uma imagem de entrada e o resultado esperado. Restringindo os operadores considerados para o que são invariantes à translação e localmente definidos ($W$-operadores), podemos aplicar técnicas de Aprendizagem de Máquina para estimá-los. O formato que define quais vizinhos são usadas é chamado de janela. $W$-operadores treinados com janelas grandes frequentemente tem problemas de generalização, pois necessitam de grandes conjuntos de treinamento. Este problema é ainda mais grave ao treinar operadores em níveis de cinza. Apesar de técnicas como o projeto dois níveis, que combina a saída de diversos operadores treinados com janelas menores, mitigar em parte estes problemas, uma determinação de parâmetros complexa é necessária. Neste trabalho apresentamos duas técnicas que permitem o treinamento de operadores usando janelas grandes. A primeira, KA, é baseada em Máquinas de Suporte Vetorial (SVM) e utiliza técnicas de aproximação de kernels para realizar o treinamento de $W$-operadores. Uma escolha adequada de kernels permite o treinamento de operadores níveis de cinza e binários.A segunda técnica, NILC, permite a criação automática de combinações de operadores de imagens. Este método utiliza uma técnica de otimização específica para casos em que o número de características é muito grande. Ambos métodos obtiveram resultados competitivos com algoritmos da literatura em dois domínio de aplicação diferentes. O primeiro, Staff Removal, é um processamento de documentos binários frequente em sistemas de reconhecimento ótico de partituras. O segundo é um problema de segmentação de vasos sanguíneos em imagens em níveis de cinza
- Imprenta:
- Data da defesa: 12.06.2017
-
ABNT
MONTAGNER, Igor dos Santos. W-operator learning using linear models for both gray-level and binary inputs. 2017. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2017. Disponível em: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-21082017-111455/. Acesso em: 09 jan. 2026. -
APA
Montagner, I. dos S. (2017). W-operator learning using linear models for both gray-level and binary inputs (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de http://www.teses.usp.br/teses/disponiveis/45/45134/tde-21082017-111455/ -
NLM
Montagner I dos S. W-operator learning using linear models for both gray-level and binary inputs [Internet]. 2017 ;[citado 2026 jan. 09 ] Available from: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-21082017-111455/ -
Vancouver
Montagner I dos S. W-operator learning using linear models for both gray-level and binary inputs [Internet]. 2017 ;[citado 2026 jan. 09 ] Available from: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-21082017-111455/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
