???item.export.label??? ???item.export.type.endnote??? ???item.export.type.bibtex???

Please use this identifier to cite or link to this item: https://tede.ufam.edu.br/handle/tede/8436
Full metadata record
DC FieldValueLanguage
dc.creatorGatto, Bernardo Bentes-
dc.creator.Latteshttp://lattes.cnpq.br/0906239784812430eng
dc.contributor.advisor1Santos, Eulanda Miranda dos-
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/3054990742969890eng
dc.contributor.advisor-co1Silva Júnior , Waldir Sabino da-
dc.contributor.advisor-co1Latteshttp://lattes.cnpq.br/2925380715531711eng
dc.contributor.referee1Koerich, Alessandro Lameiras-
dc.contributor.referee2Araújo, Gabriel Matos-
dc.contributor.referee3Cristo, Marco Antonio Pinheiro de-
dc.contributor.referee4Giusti, Rafael-
dc.date.issued2020-10-08-
dc.identifier.citationPattern-set Representations using Linear, Shallow and Tensor Subspaces, 2020, 158, Tese, Programa de Pós-graduação em Informática, Universidade Federal do Amazonas, Brasileng
dc.identifier.urihttps://tede.ufam.edu.br/handle/tede/8436-
dc.description.resumoA classificação de conjuntos de padrões pertence a uma classe de problemas em que a aprendizagem ocorre por meio de conjuntos, ao invés de exemplos. Muito utilizada em visão computacional, esta abordagem tem a vantagem de possuir baixo tempo de processamento e robustez a variações como iluminação, parâmetros intrínsecos dos dispositivos de captura de sinal e pose do objeto analisado. Inspirado por aplicações de métodos de subespaços, três novas coleções de m´métodos são apresentadas nesta tese: (1) Novas representações para conjuntos de imagens e vídeos bidimensionais; (2) Redes rasas para classificação de imagens; e (3) Subespaços para representação e classificação de tensores. Novas representações são propostas com o objetivo de preservar a estrutura espacial e manter um rápido tempo de processamento. Também introduzimos uma t´técnica para manter a estrutura temporal, mesmo utilizando a análise de componentes principais, que classicamente não preserva a ordem dos dados. Em redes rasas, apresentamos duas redes neurais convulsionais que não precisam de retropropagação, empregando apenas subespaços para seus filtros de convolução. Além dos resultados de classificação serem competitivos, as redes propostas apresentam vantagem quando o tempo disponível para aprendizagem ´e limitado. Por fim, para tratar dados multidimensionais, como dados de vídeo, propomos dois m´métodos que empregam subespaços para representar esse tipo de dados de forma compacta e discriminativa. Além dos novos métodos introduzidos, nosso trabalho proposto tem sido aplicado em outros problemas além da visão computacional, como representação e classificação de dados hipoacústicos e padrões de textoeng
dc.description.abstractPattern-set matching belongs to a class of problems where learning takes place through sets rather than elements. Much used in computer vision, this approach has the advantage of having a low processing time and robustness to variations such as illumination, intrinsic parameters of the signal capture devices and pose of the analyzed object. Inspired by applications of subspace methods, three new collections of methods are presented in this thesis: (1) New representations for sets of two-dimensional images and videos; (2) Shallow networks for image classification; and (3) Subspaces for tensor representation and classification. New representations are proposed with the aim of preserving the spatial structure and maintaining a fast processing time. We also introduce a technique to maintain temporal structure, even using the principal component analysis, which classically does not preserve the data's order. In shallow networks, we present two convolutional neural networks that do not need backpropagation, employing only subspaces for its convolution filters. In addition to their competitive classification results, the proposed networks present an advantage when the time available for learning is limited. Finally, to handle multidimensional data, such as video data, we propose two methods that employ subspaces to represent this kind of data in a compact and discriminative way. In addition to the new methods introduced, our proposed work has been applied in problems other than computer vision, such as representation and classification of bioacoustics and text patterns.por
dc.description.sponsorshipCAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível Superioreng
dc.description.sponsorshipFAPEAM - Fundação de Amparo à Pesquisa do Estado do Amazonaseng
dc.formatapplication/pdf*
dc.thumbnail.urlhttps://tede.ufam.edu.br/retrieve/48762/Tese_BernardoGatto_PPGI.pdf.jpg*
dc.languageengeng
dc.publisherUniversidade Federal do Amazonaseng
dc.publisher.departmentInstituto de Computaçãoeng
dc.publisher.countryBrasileng
dc.publisher.initialsUFAMeng
dc.publisher.programPrograma de Pós-graduação em Informáticaeng
dc.rightsAcesso Aberto-
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/-
dc.subject.cnpqCIENCIAS EXATAS E DA TERRAeng
dc.titlePattern-set Representations using Linear, Shallow and Tensor Subspaceseng
dc.title.alternativeRepresentações de conjuntos de padrões usando subespaços lineares, rasos e tensoriaispor
dc.typeTeseeng
dc.contributor.advisor1orcid0000-0002-5671-581Xeng
dc.contributor.advisor-co1orcid0000-0003-3095-0042eng
dc.creator.orcid0000-0001-9639-8188eng
dc.subject.userRepresentação de subespacospor
dc.subject.userRedes rasaspor
dc.subject.userAprendizado de variedadespor
dc.subject.userAnálise de tensorespor
dc.subject.userSubspace representationeng
dc.subject.userShallow networkseng
dc.subject.userManifold learningeng
dc.subject.userTensor analysiseng
Appears in Collections:Doutorado em Informática

Files in This Item:
File Description SizeFormat 
Tese_BernardoGatto_PPGI.pdf3.24 MBAdobe PDFThumbnail

Download/Open Preview


This item is licensed under a Creative Commons License Creative Commons