Sistema de múltiplos classificadores em problemas de desbalanceamento de classes e grandes conjuntos de dados

• Processo: 11/16411-4
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de dezembro de 2011
• Data de Término da vigência: 30 de novembro de 2013
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: Moacir Antonelli Ponti
• Beneficiário: Moacir Antonelli Ponti
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Bolsa(s) vinculada(s): 12/13493-2 - Implementação de um protótipo para a categorização automática de imagens e a detecção de anomalias, BP.TT
• Assunto(s): Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: Combinação de Classificadores | Reconhecimento de Padrões | Sistemas de Múltiplos Classificadores | Processamento Digital de Imagens

Resumo

Métodos de classificação comumente falham ao lidar com dois tipos de problemas comuns em aplicações reais: conjuntos de dados muito grandes, e o desbalanceamento de classes nos dados. Bases de dados com muitos elementos são cada vez mais comuns pela facilidade tecnológica em se adquirir e armazenar dados e pela natureza de certas aplicações como por exemplo em dados de transações financeiras, acesso a redes e bioinformática. Sistemas de múltiplos classificadores tem potencial tanto para paralelizar ou distribuir o processamento, quanto para permitir a subamostragem do conjunto de treinamento, tornando viável o uso de grandes bases de dados. Métodos derivados das técnicas de Bagging podem ser usados para gerar diversidade em múltiplos classificadores, treinados com pequenas quantidades de dados e de forma paralela, com resultado final similar ou superior à uma classificação simples. Métodos de múltiplos classificatores também tem potencial para minimizar o desbalanceamento de classes, por meio de métodos de amostragem aliados à técnicas de Boosting e estudos na área de concept drift. Esse projeto visa estudar os dois problemas citados e oferecer soluções baseadas em sistemas de múltiplos classificadores, com aplicações em diversas áreas. (AU)

Publicações científicas

(4)

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

PONTI, JR., MOACIR P.. Segmentation of Low-Cost Remote Sensing Images Combining Vegetation Indices and Mean Shift. IEEE Geoscience and Remote Sensing Letters, v. 10, n. 1, p. 67-70, JAN 2013. (11/16411-4)

COSTA, GABRIEL B. P.; PONTI, MOACIR; FRERY, ALEJANDRO C.; ZHOU, ZH; SCHWENKER, F. Partially Supervised Anomaly Detection Using Convex Hulls on a 2D Parameter Space. PARTIALLY SUPERVISED LEARNING, PSL 2013, v. 8193, p. 8-pg., 2013-01-01. (11/16411-4, 12/12524-1)

PONTI, MOACIR; NAZARE, TIAGO S.; THUME, GABRIELA S.. Image quantization as a dimensionality reduction procedure in color and texture feature extraction. Neurocomputing, v. 173, n. 2, SI, p. 385-396, JAN 15 2016. (11/22749-8, 11/16411-4)

PONTI, MOACIR; NAZARE, TIAGO S.; THUME, GABRIELA S.. Image quantization as a dimensionality reduction procedure in color and texture feature extraction. Neurocomputing, v. 173, p. 12-pg., 2016-01-15. (11/22749-8, 11/16411-4)