Novas tendências em reconhecimento de padrões baseado em floresta de caminhos ótimos

• Processo: 09/16206-1
• Linha de fomento: Auxílio à Pesquisa - Apoio a Jovens Pesquisadores
• Vigência: 01 de março de 2010 - 28 de fevereiro de 2014
• Área do conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: João Paulo Papa
• Instituição-sede: Faculdade de Ciências (FC). Universidade Estadual Paulista (UNESP). Campus de Bauru. Bauru , SP, Brasil
• Pesq. associados: Alexandre Xavier Falcão ; Aparecido Nilceu Marana
• Auxílios(s) vinculado(s): 14/02424-5 - 22nd International Conference on Pattern Recognition, AR.EXT; 12/13988-1 - The 37th IEEE conference on local computer networks, AR.EXT
• Bolsa(s) vinculada(s): 13/20387-7 - Otimização de hiperparâmetros em arquiteturas de aprendizado em profundidade, BE.PQ; 13/23312-8 - OPFWeb: uma solução "in-a-box" baseada em Floresta de Caminhos Ótimos para problemas de aprendizado de máquina - Módulo Avançado e integração com cudaOPF, BP.TT; 13/19887-5 - OPFWeb: uma solução in-a-box baseada em Floresta de Caminhos Ótimos para problemas de aprendizado de máquina: interface com o usuário, BP.TT; + mais bolsas vinculadas 13/05417-7 - OPFWeb: uma solução in-a-box baseada em floresta de caminhos ótimos para problemas de aprendizado de máquina: módulo avançado e integração com cudaOPF, BP.TT; 13/05513-6 - Obtenção de neurônios de redes neurais de base radial via agrupamento de dados por Floresta de Caminhos Ótimos, BP.IC; 12/18878-0 - OPFWeb: uma solução "in-a-box" baseada em Floresta de Caminhos Ótimos para problemas de aprendizado de máquina - interface com o usuário, BP.TT; 12/14494-2 - PyOPF: uma biblioteca para o desenvolvimento de classificadores de padrões baseados em Floresta de Caminhos Ótimos em Python, BP.TT; 12/06472-9 - Explorando abordagens de classificação contextual para Floresta de Caminhos Ótimos, BP.DR; 12/09809-4 - Combinação de descritores utilizando Charged system search e Bat Algorithm, BP.IC; 11/14058-5 - Explorando abordagens de aprendizado sequencial para Floresta de Caminhos Ótimos, BP.MS; 11/14094-1 - Explorando abordagens de múltiplos rótulos por Floresta de Caminhos Ótimos, BP.MS; 11/11777-0 - Combinação de descritores utilizando Busca Harmônica e Floresta de Caminhos Ótimos, BP.IC; 11/08348-0 - Implementação do algoritmo de teste do classificador Floresta de Caminhos Ótimos em GPU, BP.IC; 11/07774-6 - OPFWeb: uma solução "in-a-box" baseada em Floresta de Caminhos Ótimos para problemas de aprendizado de máquina - módulo de desenvolvimento, BP.TT; 10/12222-0 - Classificação automática de plantas daninhas aquáticas utilizando análise de formas e Floresta de Caminhos Ótimos, BP.IC; 10/02045-3 - Detecção de intrusões baseada em Floresta de Caminhos Ótimos, BP.MS; 10/12697-8 - Implementação do algoritmo de treinamento do classificador Floresta de Caminhos Ótimos em GPU, BP.MS; 10/11676-7 - Redução do tamanho do conjunto de treinamento por Floresta de Caminhos Ótimos e sua aplicação em Máquinas de Vetores de Suporte, BP.IC - menos bolsas vinculadas
• Assunto(s): Processamento de imagens Inteligência artificial Reconhecimento de padrões

Resumo

Classificadores de padrões tradicionais, tais como Máquinas de Vetores de Suporte (Support Vector Machines - SVM) e redes neurais, pagam o preço de uma etapa de treinamento muito custosa para atingir taxas de exatidão aceitáveis em um conjunto de teste. Ainda assim, são inviáveis em situações que exigem um constante retreinamento dos dados e, principalmente, em aplicações com grande volume de dados (segmentação interativa de imagens de ressonância magnética do cérebro e de partículas de ferro em imagens metalográficas de alta resolução, por exemplo). Recentemente, um novo algoritmo de reconhecimento de padrões denominado Floresta de Caminhos Ótimos (Optimum-Path Forest - OPF) foi proposto na literatura, o qual demonstrou ser superior a redes neurais e classificadores bayesianos e similar às SVM, porém extremamente mais rápido (500x-1000x, dependendo do tamanho da base de dados), sendo ainda contemplado com 3 prêmios no ano de 2009. O classificador OPF modela a tarefa de classificação dos dados como sendo um problema de partição de um grafo induzido pelo espaço de características em árvores de caminhos ótimos (Optimum-Path Tree - OPT), onde cada amostra está mais fortemente conexa à raiz de sua árvore do que a qualquer outra raiz nessa floresta. Amostras pertencentes a uma mesma OPT recebem o mesmo rótulo no processo de classificação dos dados. Embora o classificador OPF tenha sido utilizado em diversas áreas de pesquisa nos últimos 2 anos, tais como sensoriamento remoto, visão computacional (impressão digital e reconhecimento de faces), identificação de doenças parasitárias em humanos e processamento de sinais biomédicos, existem ainda muitas outras que necessitam validar a sua aplicabilidade. O presente projeto de pesquisa objetiva um amplo e completo estudo do classificador OPF, bem como o desenvolvimento de novas variantes do mesmo, sua implementação em GPU (Graphics Processing Unit) e sua aplicação em diversas outras áreas de pesquisa e em situações que demandam um grande volume de dados, as quais não podem ainda ser resolvidas com eficiência e eficácia pelos tradicionais métodos de reconhecimento de padrões, tais como redes neurais e SVM. O projeto engloba ainda a aplicação do OPF em rastreamento de objetos e processamento de sinais. Cooperações com diversos grupos de pesquisa nacionais e internacionais, atuando como uma força tarefa no sentido de divulgar e validar o classificador OPF, estão contempladas na presente proposta de projeto de pesquisa. Vale ressaltar, também, que todos os trabalhos propostos pelo referido projeto caracterizam-se pelo seu caráter inovador, pois cada um deles abrange uma área de pesquisa ainda não contemplada pelo classificador OPF. Esta proposta de projeto de pesquisa contempla atividades em todos os níveis de pesquisa, tais como iniciação científica e pós-graduação. (AU)

Publicações científicas

(13)

(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)

PEREIRA, LUIS A. M.; PAPA, JOAO P.; COELHO, ANDRE L. V.; LIMA, CLODOALDO A. M.; PEREIRA, DANILLO R.; DE ALBUQUERQUE, VICTOR HUGO C. Automatic identification of epileptic EEG signals through binary magnetic optimization algorithms. NEURAL COMPUTING & APPLICATIONS, v. 31, n. 2, p. 1317-1329, FEB 2019. Citações Web of Science: 0.

PAPA, JOAO PAULO; NACHIF FERNANDES, SILAS EVANDRO; FALCAO, ALEXANDRE XAVIER. Optimum-Path Forest based on k-connectivity: Theory and applications. PATTERN RECOGNITION LETTERS, v. 87, n. SI, p. 117-126, FEB 1 2017. Citações Web of Science: 16.

PASSOS JUNIOR, LEANDRO APARECIDO; OBA RAMOS, CAIO CESAR; RODRIGUES, DOUGLAS; PEREIRA, DANILLO ROBERTO; DE SOUZA, ANDRE NUNES; PONTARA DA COSTA, KELTON AUGUSTO; PAPA, JOAO PAULO. Unsupervised non-technical losses identification through optimum-path forest. Electric Power Systems Research, v. 140, p. 413-423, NOV 2016. Citações Web of Science: 13.

PEREIRA, CLAYTON R.; PEREIRA, DANILO R.; SILVA, FRANCISCO A.; MASIEIRO, JOAO P.; WEBER, SILKE A. T.; HOOK, CHRISTIAN; PAPA, JOAO P. A new computer vision-based approach to aid the diagnosis of Parkinson's disease. COMPUTER METHODS AND PROGRAMS IN BIOMEDICINE, v. 136, p. 79+, NOV 2016. Citações Web of Science: 16.

PIRES, RAFAEL G.; PEREIRA, DANILLO R.; PEREIRA, LUIS A. M.; MANSANO, ALEX F.; PAPA, JOO P. Projections onto convex sets parameter estimation through harmony search and its application for image restoration. NATURAL COMPUTING, v. 15, n. 3, SI, p. 493-502, SEP 2016. Citações Web of Science: 3.

OSAKU, D.; NAKAMURA, R. Y. M.; PEREIRA, L. A. M.; PISANI, R. J.; LEVADA, A. L. M.; CAPPABIANCO, F. A. M.; FALCO, A. X.; PAPA, JOAO P. Improving land cover classification through contextual-based optimum-path forest. INFORMATION SCIENCES, v. 324, p. 60-87, DEC 10 2015. Citações Web of Science: 13.

COSTA, KELTON A. P.; PEREIRA, LUIS A. M.; NAKAMURA, RODRIGO Y. M.; PEREIRA, CLAYTON R.; PAPA, JOAO P.; FALCAO, ALEXANDRE XAVIER. A nature-inspired approach to speed up optimum-path forest clustering and its application to intrusion detection in computer networks. INFORMATION SCIENCES, v. 294, p. 95-108, FEB 10 2015. Citações Web of Science: 30.

PISANI, RODRIGO JOSE; MIZOBE NAKAMURA, RODRIGO YUJI; RIEDEL, PAULINA SETTI; LOPES ZIMBACK, CELIA REGINA; FALCAO, ALEXANDRE XAVIER; PAPA, JOAO PAULO. Toward Satellite-Based Land Cover Classification Through Optimum-Path Forest. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, v. 52, n. 10, p. 6075-6085, OCT 2014. Citações Web of Science: 9.

NUNES, THIAGO M.; COELHO, ANDRE L. V.; LIMA, CLODOALDO A. M.; PAPA, JOAO P.; DE ALBUQUERQUE, VICTOR HUGO C. EEG signal classification for epilepsy diagnosis via optimum path forest - A systematic assessment. Neurocomputing, v. 136, p. 103-123, JUL 20 2014. Citações Web of Science: 49.

NAKAMURA, RODRIGO Y. M.; GARCIA FONSECA, LEILA MARIA; DOS SANTOS, JEFERSSON ALEX; TORRES, RICARDO DA S.; YANG, XIN-SHE; PAPA, JOAO PAPA. Nature-Inspired Framework for Hyperspectral Band Selection. IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, v. 52, n. 4, p. 2126-2137, APR 2014. Citações Web of Science: 31.

LUZ, EDUARDO JOSE DA S.; NUNES, THIAGO M.; DE ALBUQUERQUE, VICTOR HUGO C.; PAPA, JOAO P.; MENOTTI, DAVID. ECG arrhythmia classification based on optimum-path forest. EXPERT SYSTEMS WITH APPLICATIONS, v. 40, n. 9, p. 3561-3573, JUL 2013. Citações Web of Science: 57.

NUNES, THIAGO M.; DE ALBUQUERQUE, VICTOR HUGO C.; PAPA, JOAO P.; SILVA, CLEITON C.; NORMANDO, PAULO G.; MOURA, ELINEUDO P.; TAVARES, JOAO MANUEL R. S. Automatic microstructural characterization and classification using artificial intelligence techniques on ultrasound signals. EXPERT SYSTEMS WITH APPLICATIONS, v. 40, n. 8, p. 3096-3105, JUN 15 2013. Citações Web of Science: 24.

SUZUKI, CELSO T. N.; GOMES, JANCARLO F.; FALCAO, ALEXANDRE X.; PAPA, JOAO P.; HOSHINO-SHIMIZU, SUMIE. Automatic Segmentation and Classification of Human Intestinal Parasites From Microscopy Images. IEEE Transactions on Biomedical Engineering, v. 60, n. 3, p. 803-812, MAR 2013. Citações Web of Science: 24.