1. Skip to Menu
  2. Skip to Content
  3. Skip to Footer

Defesa de Tese de Doutorado do aluno Érick Oliveira Rodrigues

06/12/2017, 13h, Sala de Videoconferência (310), Instituto de Computação

Introducing Mathematical Morphology in Machine Learning

Resumo: Esta tese introduz conceitos da morfologia matemática, um campo já estabelecido dentro da computação visual, ao aprendizado de máquina. Duas implementações de classificadores que  usam estas técnicas são propostos conjuntamente a um framework teórico. A ideia principal é rotular o espaço ao redor das instâncias de treino, crescendo esse rotulamento a cada iteração. O crescimento está em conformidade com uma nova métrica que é proposta neste trabalho. Esta métrica é mais rápida que a de Manhattan e Euclidiana nas iterações de vizinhança. Uma vez que o espaço encontra-se razoavelmente rotulado, esta informação é utilizada para classificar instâncias não rotuladas dado que as mesmas pertençam a este espaço. Os classificadores propostos obtiveram melhores resultados em relação a 14 outros classificadores em 5 de 8 bases de dados, o que é uma forte evidência inicial do poder de predição da proposta. Além disso, um algoritmo de clusterização que é baseado na reconstrução morfológica também é proposto. Neste caso, o algoritmo é mais rápido que o estado-da-arte ao passo em que provê resultados onde formas e a densidade dos clusters são preservadas. Este algoritmo de clusterização possui características únicas como um senso intrínseco de clusters máximos que podem ser criados, uma forma de remover ruído das bases sem custos extra de processamento, e outras características únicas e interessantes.

Abstract: This thesis introduces concepts from mathematical morphology, a established field in visual computing, to machine learning. Two implementations of classifiers that use these techniques are proposed along with a theoretical framework. The main concept is to label the space around the training instances, growing this labelling at each iteration. This growth conforms to new distance metric proposed herein. This new distance is substantially faster than Manhattan and Euclidean distances when it comes to neighbourhood iteration. Once the space is reasonably labelled, this model is used to classify unlabelled instances. Proposed classifiers outperformed 14 other classifiers in 5 out of 8 datasets, which is a strong initial evidence of the predictability of the approach. Furthermore, a clusterization algorithm that is based on morphological reconstruction is proposed. In this case, the algorithm was faster than state-of-the-art while providing clusterization results that preserve shapes and cluster density. The clusterization proposal possesses a number of unique features such as an intrinsic sense of maximal clusters that can be created, provides a means of removing noise from datasets with no extra processing costs, and other interesting and unique features.

Banca examinadora:
Prof.ª Aura Conci (Presidente), UFF
Prof. José Viterbo Filho, UFF
Prof. Luiz Satoru Ochi, UFF
Prof. Panagiotis Liatsis, The Petroleum Institute
Prof. Raul Queiroz Feitosa, PUC-Rio

PESQUISA PELO SITE

MENU

Início Instituto Laboratórios Departamento
Pesquisa Pós-Graduação Graduação Fale Conosco

CONTATO

IC-Mapa

Av. Gal. Milton Tavares de Souza, s/nº
São Domingos - Niterói - RJ
CEP: 24210-346

IC-UFF-Telefone-icone Fale Conosco

 Como Chegar

CONECTE-SE

IC-Conecte-se-Facebook IC-Conecte-se-Twitter

LINKS

Faperj Lattes Finep SBC PROGRAD
CAPES CNPQ SIAPENET IDUFF NDC

 

Desenvolvido por pela equipe de Suporte Técnico do Instituto de Computação - suporte.ic.uff.br - Web Designer: Emanuel Machado