Avaliação de métodos de seleção de amostras para redução do tempo de treinamento do classificador SVM

• Ano de defesa: 2014
• Autor(a) principal: Peterson Lima Sarmento
• Orientador(a): Luciano Vieira Dutra
• Banca de defesa: Sidnei João Siqueira Sant'Anna, Thales Sehn Korting, Alexandre Noma, Márcio Porto Basgalupp
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Instituto Nacional de Pesquisas Espaciais (INPE)
• Programa de Pós-Graduação: Programa de Pós-Graduação do INPE em Computação Aplicada
• País: BR
• Resumo em Inglês: The supervised classifier Support Vector Machine (SVM), has been used in different applications due to its good performance. The SVM is a supervised classifier that for building the classification model uses basically near the decision boundary the classes in the feature space data. A disadvantage of this classifier is increased training time as the size of the training set of class increases. The objective of this work is reduce the SVM training time by reducing the size of the training set, trying to maintain the accuracy of classification. For this, seven reduction techniques are evaluated for processing time and classification accuracy. These methods are tested on simulated images as well as on real images (IKONOS and PALSAR). The results show that the images applied to the leader sequence algorithm may be an option to reduce the training set. The best computational cost was reduced by 85\% compared to classification using the full set. The random selection and CNN showed excellent results as reducing the computational cost, but the hypothesis test applied not indicate its application in some cases. This way the application will be up to the user.
• Link de acesso: http://urlib.net/sid.inpe.br/mtc-m21b/2014/05.01.23.23

O classificador supervisionado Máquina de Vetores Suporte (SVM, do inglês \emph{Support Vector Machine}), tem sido utilizado em diferentes aplicações devido ao seu bom desempenho. O SVM é um classificador supervisionado que, para a construção do modelo de classificação, utiliza basicamente os dados próximos à fronteira de separação entre as classes no espaço de atributos. Uma desvantagem deste classificador é o aumento no tempo de treinamento à medida que o tamanho do conjunto de treinamento por classe aumenta. Este trabalho objetiva diminuir o tempo de treinamento do SVM através da redução no tamanho do conjunto de treinamento, procurando manter a acurácia da classificação. Para tanto, sete técnicas de redução, são avaliadas quanto ao tempo de processamento e acurácia da classificação. Foram realizados testes com imagens sintéticas e imagens reais obtidas de sensores óticos (IKONOS) e de radar (PALSAR). O treinamento realizado com o conjunto de dados completos é utilizado como referência para as comparações. Os resultados mostram que a aplicação do algoritmo sequencial Líder pode ser uma opção para reduzir o conjunto de treinamento. A melhor redução de custo computacional foi de 85\%, comparado com a classificação utilizando o conjunto completo de amostras de treinamento. A seleção aleatória e o CNN mostraram excelentes resultados para redução do custo computacional, mas o Teste de hipótese aplicado não indica estas aplicações para alguns casos. Desta forma a aplicação fica a critério do usuário.