Explorando Abordagens de Classificação Contextual para Floresta de Caminhos Ótimos

• Processo: 12/06472-9
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Data de Início da vigência: 01 de julho de 2012
• Data de Término da vigência: 30 de junho de 2016
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
• Pesquisador responsável: João Paulo Papa
• Beneficiário: Daniel Osaku
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Vinculado ao auxílio: 09/16206-1 - Novas tendências em reconhecimento de padrões baseado em floresta de caminhos ótimos, AP.JP
• Assunto(s): Reconhecimento de padrões
• Palavra(s)-Chave do Pesquisador: classificação de padrões contextual | reconhecimento de padroes usando grafos | Reconhecimento de padrões

Resumo

Técnicas de reconhecimento de padrões tem atraído muita atenção nos últimos anos, nas quais amostras da base de dados são representações baseadas em características de imagens, sinais e vídeos. Entretanto, assumir que os dados são estatisticamente independentes pode não ser muito viável em algumas situações. Portanto, o estudo de técnicas que empregam informação contextual tem crescido na comunidade científica, dado que as mesmas podem melhorar as taxas de acerto. Neste projeto, propomos considerar a informação contextual para o classificador Floresta de Caminhos Ótimos, dado que tal concepção ainda não foi realizada. Adicionalmente, pretendemos estabelecer uma relação entre Campos Aleatórios Markovianos e Teoria da Informação nesta pesquisa, dado que a primeira técnica tem sido extensivamente utilizada para classificação contextual, e a última também pode ser empregada para a mesma tarefa.

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)

PEREIRA, DANILLO R.; PAZOTI, MARIO A.; PEREIRA, LUIS A. M.; RODRIGUES, DOUGLAS; RAMOS, CAIO O.; SOUZA, ANDRE N.; PAPA, JOAO P.. Social-Spider Optimization-based Support Vector Machines applied for energy theft detection. COMPUTERS & ELECTRICAL ENGINEERING, v. 49, p. 25-38, JAN 2016. (14/16250-9, 12/06472-9, 13/20387-7)

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. (14/16250-9, 09/16206-1, 12/06472-9, 13/20387-7)

OSAKU, DANIEL; PEREIRA, DANILLO R.; LEVADA, ALEXANDRE L. M.; PAPA, JOAO P.. Fine-Tuning Contextual-Based Optimum-Path Forest for Land-Cover Classification. IEEE Geoscience and Remote Sensing Letters, v. 13, n. 5, p. 735-739, MAY 2016. (14/16250-9, 12/06472-9, 13/20387-7)

MARTINS, G. B.; AFONSO, L. C. S.; OSAKU, D.; ALMEIDA, JURANDY; PAPA, J. P.; BAYROCORROCHANO, E; HANCOCK, E. Static Video Summarization through Optimum-Path Forest Clustering. PROGRESS IN PATTERN RECOGNITION IMAGE ANALYSIS, COMPUTER VISION, AND APPLICATIONS, CIARP 2014, v. 8827, p. 8-pg., 2014-01-01. (12/06472-9, 13/20387-7)