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.
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: 10.
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: 14.
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: 12.
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.
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: 29.
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: 23.