Segmentação interativa de imagens usando redes complexas e competição e cooperação entre partículas

• Ano de defesa: 2019
• Autor(a) principal: Passerini, Jefferson Antonio Ribeiro
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade Estadual Paulista (Unesp)
• Palavras-chave em Português: Segmentação de imagens; Aprendizado de máquina; Aprendizado semi-supervisionado; Competição e cooperação entre partículas; Image segmentation; Machine learning; Semi-supervised learning; Particle competition and cooperation
• Link de acesso: http://hdl.handle.net/11449/180661

A segmentação de imagens é o processo de identificar e separar estruturas e objetos relevantes em uma imagem, não é uma tarefa trivial para um algoritmo computacional devido à complexidade dos elementos envolvidos no processo. A variedade de imagens e sua grande quantidade de características impossibilitam a utilização de apenas um modelo para a tarefa de segmentação. Deste modo, a aplicação de algoritmos de aprendizado de máquina, ganha importância, pois este ramo da inteligência artificial tenta reproduzir a forma de “aprender” humano. A aplicação do modelo de competição e cooperação entre partículas na segmentação de imagens mostra-se uma abordagem interessante pois possui baixo custo computacional, além de reduzir a necessidade de especialistas para a geração de dados rotulados. Este trabalho propõe melhorias na construção da rede complexa que o modelo de competição e cooperação entre partículas utiliza-se, através da alteração das características extraídas dos píxeis, mudança na forma de ligação dos vértices do modelo utilizando a similaridade das características e a vizinhança espacial dos píxeis da imagem e a influência gerada por uma partícula sob outros vértices vizinhos dentro da rede complexa. A metodologia proposta resultou em uma melhoria do nível de automação do processo, eliminando a necessidade de incrementar ou decrementar a importância de uma característica sob as outras. Comparativamente, durante os testes realizados com 151 imagens e 4530 amostras de execução para cada imagem em cada modelo, a abordagem proposta obteve uma taxa de erro de 0,49% na classificação dos píxeis contra 3,14% para o método testemunha, sem a utilização de ajustes, além de mostrar-se mais estável em relação a este desempenho perante as diferentes imagens testadas, e ainda obteve melhora no tempo final de processamento do modelo.