Aprendizado de representações e caracterização de redes complexas com aplicações em visão computacional

• Ano de defesa: 2021
• Autor(a) principal: Ribas, Lucas Correia
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Artificial neural networks; Complex networks; Computer vision; Machine learning; Pattern recognition; Reconhecimento de padrões; Redes complexas; Redes neurais artificiais; Visão computacional
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/55/55134/tde-03032022-083354/

As redes complexas têm sido utilizadas como ferramenta de estudo em diversas áreas da ciência devido ao seu carácter multidisciplinar e perspectiva inovadora em relação à análise de dados tradicional. Em visão computacional, diversas abordagens baseadas em redes complexas foram propostas ao longo dos últimos anos com resultados promissores. Tal sucesso é explicado pela capacidade de modelar e quantificar a complexidade presente em muitas imagens, principalmente das advindas da natureza que possui um comportamento não linear. Embora os resultados sejam promissores, técnicas de modelagem otimizadas e métodos de caracterização mais robustos para descrever a complexidade da topologia das redes são necessários. Este trabalho tem como objetivo investigar e propor novas técnicas de modelagem e caracterização de redes complexas focando na aplicação em problemas de visão computacional. Especificamente, foram investigados problemas clássicos de análise de imagens e vídeos: análise de texturas (em níveis de cinza, coloridas e dinâmicas) e formas. Em relação à modelagem, foi estudada uma abordagem eficaz e otimizada para mapear as imagens e vídeos de texturas em redes complexas direcionadas. A respeito da caracterização, com base em métricas clássicas e autômatos celulares, foram propostas duas melhorias: (i) padrões binários em autômatos de rede (LLNA-BP) para caracterização de redes complexas e (ii) redes de transformada da distância para análise de formas. Além disso, foi investigado o aprendizado de representações usando redes neurais randomizadas (RNNs); uma arquitetura simples e com rápido algoritmo de aprendizado. Nesse sentido, como nova forma de caracterização, foram propostas representações formadas pelos pesos da camada de saída de RNNs treinadas com características topológicas de redes complexas. Ao combinar as técnicas desenvolvidas de modelagem e de aprendizado de representações, vários métodos foram propostos para análise de texturas em níveis de cinza, coloridas e dinâmicas e análise de formas. Resultados promissores foram alcançados pelos métodos desenvolvidos em comparação aos métodos da literatura em tarefas de classificação usando vários conjuntos de dados que são referência. Adicionalmente, para avaliar o potencial dos métodos desenvolvidos, foram investigadas cinco aplicações em problemas reais nas áreas de biologia, botânica, físicoquímica e medicina, alcançando resultados interessantes e contribuindo para o desenvolvimento destas áreas.