Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

A meta-learning approach for selecting image segmentation algorithm

Texto completo
Autor(es):
Aguiar, Gabriel Jonas [1] ; Mantovani, Rafael Gomes [2, 3] ; Mastelini, Saulo M. [2] ; de Carvalho, Andre C. P. F. L. [2] ; Campos, Gabriel F. C. [1] ; Barbon Junior, Sylvio [1]
Número total de Autores: 6
Afiliação do(s) autor(es):
[1] Univ Estadual Londrina, Comp Sci Dept, BR-86057970 Londrina, PR - Brazil
[2] Univ Sao Paulo, Inst Math & Comp Sci, BR-13566590 Sao Carlos, SP - Brazil
[3] Fed Technol Univ Parana, BR-86812460 Apucarana, PR - Brazil
Número total de Afiliações: 3
Tipo de documento: Artigo Científico
Fonte: PATTERN RECOGNITION LETTERS; v. 128, p. 480-487, DEC 1 2019.
Citações Web of Science: 0
Resumo

Image segmentation is a key issue in image processing. New image segmentation algorithms have been proposed in the last years. However, there is no optimal algorithm for every image processing task. The selection of the most suitable algorithm usually occurs by testing every possible algorithm or using knowledge from previous problems. These processes can have a high computational cost. Meta-learning has been successfully used in the machine learning research community for the recommendation of the most suitable machine learning algorithm for a new dataset. We believe that meta-learning can also be useful to select the most suitable image segmentation algorithm. This hypothesis is investigated in this paper. For such, we perform experiments with eight segmentation algorithms from two approaches using a segmentation benchmark of 300 images and 2100 augmented images. The experimental results showed that meta-learning can recommend the most suitable segmentation algorithm with more than 80% of accuracy for one group of algorithms and with 69% for the other group, overcoming the baselines used regarding recommendation and segmentation performance. (C) 2019 Elsevier B.V. All rights reserved. (AU)

Processo FAPESP: 16/18615-0 - Aprendizado de máquina avançado
Beneficiário:André Carlos Ponce de Leon Ferreira de Carvalho
Linha de fomento: Auxílio à Pesquisa - Parceria para Inovação Tecnológica - PITE
Processo FAPESP: 12/23114-9 - Uso de meta-aprendizado para ajuste de parâmetros em problemas de classificação
Beneficiário:Rafael Gomes Mantovani
Linha de fomento: Bolsas no Brasil - Doutorado
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
Processo FAPESP: 18/07319-6 - Mineração multi-alvos em fluxos de dados
Beneficiário:Saulo Martiello Mastelini
Linha de fomento: Bolsas no Brasil - Doutorado