@PHDTHESIS{ 2020:958448705,
 	title = {Pattern-set Representations using Linear, Shallow and Tensor Subspaces},
 	year = {2020},
 	url = "https://tede.ufam.edu.br/handle/tede/8436",
 	abstract = "A classifica??o de conjuntos de padr?es pertence a uma classe de problemas em que a aprendizagem ocorre por meio de conjuntos, ao inv?s de exemplos. Muito utilizada em vis?o computacional, esta abordagem tem a vantagem de possuir baixo tempo de processamento e robustez a varia??es como ilumina??o, par?metros intr?nsecos dos dispositivos de captura de sinal e pose do objeto analisado. Inspirado por aplica??es de m?todos de subespa?os, tr?s novas cole??es de m?m?todos s?o apresentadas nesta tese: (1) Novas representa??es para conjuntos de imagens e v?deos bidimensionais; (2) Redes rasas para classifica??o de imagens; e (3) Subespa?os para representa??o e classifica??o de tensores. Novas representa??es s?o propostas com o objetivo de preservar a estrutura espacial e manter um r?pido tempo de processamento. Tamb?m introduzimos uma t?t?cnica para manter a estrutura temporal, mesmo utilizando a an?lise de componentes principais, que classicamente n?o preserva a ordem dos dados. Em redes rasas, apresentamos duas redes neurais convulsionais que n?o precisam de retropropaga??o, empregando apenas subespa?os para seus filtros de convolu??o. Al?m dos resultados de classifica??o serem competitivos, as redes propostas apresentam vantagem quando o tempo dispon?vel para aprendizagem ?e limitado. Por fim, para tratar dados multidimensionais, como dados de v?deo, propomos dois m?m?todos que empregam subespa?os para representar esse tipo de dados de forma compacta e discriminativa. Al?m dos novos m?todos introduzidos, nosso trabalho proposto tem sido aplicado em outros problemas al?m da vis?o computacional, como representa??o e classifica??o de dados hipoac?sticos e padr?es de texto",
 	publisher = {Universidade Federal do Amazonas},
 	scholl = {Programa de P?s-gradua??o em Inform?tica},
 	note = {Instituto de Computa??o}
}