Detalhes bibliográficos
| Ano de defesa: |
2024 |
| Autor(a) principal: |
Campos, Gabriel Fillipe Centini |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Não Informado pela instituição
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
https://repositorio.uel.br/handle/123456789/15691
|
Resumo: |
Resumo: Existem vários algoritmos de segmentação de imagens, porém, não existe um algoritmo que seja adequado para todos os tipos de aplicações envolvendo imagens Recomendar um algoritmo de segmentação ideal é uma tarefa desafiadora que requer conhecimento sobre o problema e sobre os algoritmos Nos últimos anos, o Meta-Aprendizado, oriundo do Aprendizado de Máquina, emergiu para contribuir na solução do problema de seleção de algoritmos Neste trabalho, Meta-Aprendizado foi utilizado para recomendar algoritmos de segmentação de imagens, baseando-se em meta-conhecimento Experimentos foram realizados em quatro meta-bases (bases de dados de Meta-Aprendizado) diferentes que representam problemas reais, recomendando se três diferentes segmentadores (Otsu, K-means e SVM) são adequados ou não adequados para uma dada imagem Um conjunto de 44 características baseadas em cor, domínio da frequência, histograma, textura, contraste e qualidade de imagem foi extraído das amostras, para realizar a tarefa de recomendação em diferentes cenários de segmentação Os resultados mostraram que, em geral, os meta-modelos construídos com o algoritmo Random Forest obtiveram alta performance em recomendar o algoritmo de segmentação,se comparados com os meta-modelos construídos por outros oito algoritmos |
