| dc.contributor | | pt-BR |
| dc.creator | THALIA AKEMI KOJO; Universidade Tecnológica Federal do Paraná, Cornélio Procópio, Paraná, Brasil | |
| dc.creator | Pedro Henrique Bugatti; Universidade Tecnológica Federal do Paraná, Cornélio Procópio, Paraná, Brasil | |
| dc.date | 2020-10-29 07:11:06 | |
| dc.date.accessioned | 2022-12-07T18:17:43Z | |
| dc.date.available | 2022-12-07T18:17:43Z | |
| dc.identifier | https://eventos.utfpr.edu.br//sicite/sicite2020/paper/view/7269 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/5308228 | |
| dc.description | Este projeto busca analisar uma nova abordagem para melhorar o processo de recuperação de imagens baseada conteúdo, utilizando a metodologia de meta-aprendizado para que os algoritmos de classificação supervisionada (e.g., Random Forest, Naive Bayes) possam aprender a identificar o descritor de imagens mais adequado para maximizar a eficácia na extração de características relevantes das imagens. Para corroborar a presente proposta utilizou-se o conjunto de imagens públicas Corel-1000. Para o referido conjunto a abordagem proposta detectou automaticamente que os descritores com os melhores resultados foram o Color and Edge Directivity Descriptor (CEDD), o Fuzzy Color and Texture Histogram (FCTH), e o Border/Interior Pixel Classification (BIC). Para tanto, foram utilizadas como pré-características para o meta-aprendizado histogramas de cor e histogramas monocromáticos, utilizados na composição dos vetores de características, sendo que os mesmos produziram resultados semelhantes. Com relação aos classificadores, Random Forest teve uma performance superior ao Naive Bayes, mas evidenciou uma forte tendência de favorecer a classe mais dominante. | pt-BR |
| dc.format | application/pdf | |
| dc.language | pt | |
| dc.publisher | Seminário de Iniciação Científica e Tecnológica da UTFPR | pt-BR |
| dc.rights | Autores que submetem a esta conferência concordam com os seguintes termos:<br /> <strong>a)</strong> Autores mantém os direitos autorais sobre o trabalho, permitindo à conferência colocá-lo sob uma licença <a href="https://creativecommons.org/licenses/by/4.0/">Licença Creative Commons-Attribution</a>, que permite livremente a outros acessar, usar e compartilhar o trabalho com o crédito de autoria e apresentação inicial nesta conferência.<br /> <strong>b)</strong> Autores podem abrir mão dos termos da licença CC e definir contratos adicionais para a distribuição não-exclusiva e subsequente publicação deste trabalho (ex.: publicar uma versão atualizada em um periódico, disponibilizar em repositório institucional, ou publicá-lo em livro), com o crédito de autoria e apresentação inicial nesta conferência.<br /> <strong>c)</strong> Além disso, autores são incentivados a publicar e compartilhar seus trabalhos online (ex.: em repositório institucional ou em sua página pessoal) a qualquer momento antes e depois da conferência. | |
| dc.source | Seminário de Iniciação Científica e Tecnológica da UTFPR; XXV Seminário de Iniciação Científica e Tecnológica da UTFPR | 0 |
| dc.subject | Ciências Exatas e da Terra; Ciência da Computação. | pt-BR |
| dc.subject | Processamento de imagens; Aprendizado do computador; Inteligência artificial. | pt-BR |
| dc.title | Aplicação de métodos de meta-aprendizado para recuperação de dados complexos | 0 |
| dc.type | Documento avaliado pelos pares | pt-BR |
