Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/5168
Registro completo de metadados
Campo DCValorIdioma
dc.creatorAlves, Daniel Henrique Acorsi-
dc.date.accessioned2020-09-07T23:45:10Z-
dc.date.available2020-09-07T23:45:10Z-
dc.date.issued2019-07-09-
dc.identifier.citationALVES, Daniel Henrique Acorsi. Abordagens de aprendizado ativo e profundo para síntese e classificação de imagens de enteroparasitos. 2019. 113 f. Dissertação (Mestrado em Informática) - Universidade Tecnológica Federal do Paraná, Cornélio Procópio, 2019.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/5168-
dc.description.abstractSignificant advances in the computer vision area have been boosted mainly by the use of deep learning techniques through convolutional neural networks. However, one of the main difficulties in using deep learning techniques is the availability of labeled data, which is indispensable when dealing with supervised learning for the task of classification. Other problems to be considered refer to: i-) scarcity of images, for example, images, given the difficulty of acquiring them in some applications; ii-) difficulty in obtaining images labeled by specialists. Thus, it becomes fundamental to develop mechanisms to obtain a larger set of images, as well as that they are labeled. Some applications may even present a reasonable amount or even large amounts of available images, as well as some efforts have been made in attempting to solve the mentioned problems. However, many of the image set samples may not be representative for learning, according to the application domain, and many of the samples considered in the learning can be redundant and unnecessary, negatively impacting the classifier performance. In addition, when dealing with a large set of data and applications that require interactive response times, the classification process may become inefficient and unfeasible to perform. Therefore, the present study presents the proposal for a new learning approach in order to obtain images synthesizers and more robust classifiers. In order to do so, it integrates active learning strategies in the synthesis processes (through the use of Generative Adversarial Networks) and images classification, generating and selecting informative synthetic images for classifier learning. In addition, it investigates and proposes new active learning strategies in order to select more informative samples (based on diversity and uncertainty criteria). To validate the proposed learning approach, experiments were performed using enteroparasites data. The results show that the inclusion of active learning strategies in different stages of the proposed approach is promising. Active learning strategies make it possible to select more informative samples for both image synthesis and classification processes.pt_BR
dc.description.sponsorshipConselho Nacional do Desenvolvimento Científico e Tecnológico (CNPq)pt_BR
dc.description.sponsorshipCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)pt_BR
dc.description.sponsorshipFundação Araucária de Apoio ao Desenvolvimento Científico e Tecnológico do Paranápt_BR
dc.description.sponsorshipFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)pt_BR
dc.description.sponsorshipSecretaria da Ciência, Tecnologia e Ensino Superior (SETI)pt_BR
dc.description.sponsorshipUniversidade Tecnológica Federal do Paraná (UTFPR)pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.subjectAprendizagem ativapt_BR
dc.subjectProcessamento de imagenspt_BR
dc.subjectHelmintopt_BR
dc.subjectActive learningpt_BR
dc.subjectImage processingpt_BR
dc.subjectHelminthspt_BR
dc.titleAbordagens de aprendizado ativo e profundo para síntese e classificação de imagens de enteroparasitospt_BR
dc.title.alternativeActive and deep learning approaches to synthesis and classification of enteroparasites imagespt_BR
dc.typemasterThesispt_BR
dc.description.resumoAvanços significativos na área de visão computacional têm sido impulsionados principalmente pelo uso de técnicas de aprendizado profundo por meio das redes neurais convolucionais. No entanto, uma das principais dificuldades na utilização de técnicas de aprendizado profundo é a disponibilidade de dados rotulados, indispensáveis quando se lida com aprendizado supervisionado para a tarefa de classificação. Outros problemas a serem considerados referem-se à: i-) escassez de dados, por exemplo, de imagens, dada a dificuldade de aquisição das mesmas em algumas aplicações; ii-) dificuldade de obtenção de imagens rotuladas por especialistas. Dessa forma, torna-se fundamental o desenvolvimento de mecanismos para obtenção de um conjunto maior de imagens, bem como seus respectivos rótulos. Algumas aplicações podem até apresentar uma quantidade razoável ou até mesmo grandes quantidades de imagens disponíveis, bem como alguns esforços têm sido realizados na tentativa de solucionar os problemas mencionados. No entanto, muitas das amostras do conjunto de imagens podem não ser representativas para o aprendizado, de acordo com o domínio de aplicação, bem como muitas das amostras consideradas no aprendizado podem ser redundantes e desnecessárias, impactando negativamente no desempenho do classificador. Além disso, quando se lida com um grande conjunto de dados e aplicações que exigem tempos de resposta interativos, o processo de classificação pode tornar-se ineficiente e inviável de ser realizado. Portanto, o presente trabalho apresenta a proposta de uma nova abordagem de aprendizado, de forma a obter sintetizadores de imagens e classificadores de padrões mais robustos. Para tanto, integra estratégias de aprendizado ativo nos processos de síntese (por meio do uso de Generative Adversarial Networks) e de classificação de imagens, gerando e selecionando imagens sintéticas informativas para o aprendizado do classificador. Além disso, investiga e propõe novas estratégias de aprendizado ativo, de forma a selecionar amostras mais informativas (baseadas em critérios de diversidade e incerteza). Para validação da abordagem de aprendizado proposta, experimentos foram realizados utilizando dados de enteroparasitos. Os resultados obtidos demonstram que a inclusão de estratégias de aprendizado ativo em diferentes etapas da abordagem proposta mostra-se promissora. As estratégias de aprendizado ativo possibilitam a seleção de amostras mais informativas para ambos os processos de síntese e de classificação das imagens.pt_BR
dc.degree.localCornélio Procópiopt_BR
dc.publisher.localCornelio Procopiopt_BR
dc.creator.Latteshttp://lattes.cnpq.br/1754845707776909pt_BR
dc.contributor.advisor1Saito, Priscila Tiemi Maeda-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/6652293216938994pt_BR
dc.contributor.advisor-co1Oliveira, Claiton de-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/8851289265109891pt_BR
dc.contributor.referee1Saito, Priscila Tiemi Maeda-
dc.contributor.referee1Latteshttp://lattes.cnpq.br/6652293216938994pt_BR
dc.contributor.referee2Lopes, Fabrício Martins-
dc.contributor.referee2Latteshttp://lattes.cnpq.br/1660070580824436pt_BR
dc.contributor.referee3Papa, João Paulo-
dc.contributor.referee3Latteshttp://lattes.cnpq.br/9039182932747194pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.programPrograma de Pós-Graduação em Informáticapt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRApt_BR
dc.subject.capesCiência da Computaçãopt_BR
Aparece nas coleções:CP - Programa de Pós-Graduação em Informática

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
CP_PPGI_M_Alves, Daniel Henrique Acorsi_2019.pdf11,27 MBAdobe PDFThumbnail
Visualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.