Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens

Detalhes bibliográficos
Autor(a) principal: Torres, Helainy Ignacio de Almeida
Data de Publicação: 2022
Tipo de documento: Dissertação
Idioma: por
Título da fonte: Repositório Institucional da UFRRJ
Texto Completo: https://rima.ufrrj.br/jspui/handle/20.500.14407/15771
Resumo: Machine learning (Aprendizado de Máquina) ganhou destaque por ser uma área da inteligên- cia artificial que permite que algoritmos tomem decisões através do conhecimento extraído de amostras de dados. Uma das áreas de Machine Learning são os algoritmos de classificação, que se baseiam em prever a classe de uma observação dada. Existem vários métodos na literatura, que resolvem problemas de classificação como Rede Neural, SVM, KNN entre outros. Uma das semelhanças entre eles é utilizar a métrica euclidiana para determinar erros e aproxima- ções. Nesse trabalho propomos construir um algoritmo baseado no KNN utilizando a métrica riemanniana para o problema de classificação de imagens. Os bancos de imagens utilizados durante a pesquisa são de imagens médicas e cada imagem será representada como uma matriz de covariância. O método proposto foi comparado com o KNN clássico que utiliza a métrica euclidiana e em todosos testes realizados se mostrou superior, apesar da qualidade das imagem, demonstrando que a técnica tem muito a oferecer.
id UFRRJ-1_bbd35c9678572ba598d2ce06cdec725c
oai_identifier_str oai:rima.ufrrj.br:20.500.14407/15771
network_acronym_str UFRRJ-1
network_name_str Repositório Institucional da UFRRJ
repository_id_str
spelling Torres, Helainy Ignacio de AlmeidaCruz, Marcelo Dib016.628.007-03https://orcid.org/0000-0002-0380-144Xhttp://lattes.cnpq.br/7385995443437070Gregório, Ronaldo Malheiros077.117.167-61https://orcid.org/0000-0003-2229-0523http://lattes.cnpq.br/4502104424266743Cruz, Marcelo Dib016.628.007-03https://orcid.org/0000-0002-0380-144Xhttp://lattes.cnpq.br/7385995443437070Vera-Tudela, Carlos Andrés Reynahttps://orcid.org/0000-0001-5855-8611http://lattes.cnpq.br/6509989261742578França, Juliana Baptista dos Santos053.276.397-11http://lattes.cnpq.br/9341068095520817092.252.057-75http://lattes.cnpq.br/03817199293167352024-01-23T12:05:36Z2024-01-23T12:05:36Z2022-05-30https://rima.ufrrj.br/jspui/handle/20.500.14407/15771Machine learning (Aprendizado de Máquina) ganhou destaque por ser uma área da inteligên- cia artificial que permite que algoritmos tomem decisões através do conhecimento extraído de amostras de dados. Uma das áreas de Machine Learning são os algoritmos de classificação, que se baseiam em prever a classe de uma observação dada. Existem vários métodos na literatura, que resolvem problemas de classificação como Rede Neural, SVM, KNN entre outros. Uma das semelhanças entre eles é utilizar a métrica euclidiana para determinar erros e aproxima- ções. Nesse trabalho propomos construir um algoritmo baseado no KNN utilizando a métrica riemanniana para o problema de classificação de imagens. Os bancos de imagens utilizados durante a pesquisa são de imagens médicas e cada imagem será representada como uma matriz de covariância. O método proposto foi comparado com o KNN clássico que utiliza a métrica euclidiana e em todosos testes realizados se mostrou superior, apesar da qualidade das imagem, demonstrando que a técnica tem muito a oferecer.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESMachine learning has gained prominence as an area of artificial intelligence that allows algorithms to make decisions through knowledge extracted from data samples. One of the areas of Machine learning is classification algorithms, which are based on predicting the class of a given observation. There are several methods in the literature that solve classification problems such as Neural Network, SVM, KNN, among others. One of the similarities between them is to use the Euclidean metric to determine errors and approximations. In this work we propose to build an algorithm based on KNN using the Riemannian metric for the image classification problem. The image banks used during the research are of medical images and each image will be represented as a covariance matrix. The proposed method was compared with the classical KNN that uses the Euclidean metric and in all tests performed it proved to be superior, despite the image quality, demonstrating that the technique has a lot to offer.porUniversidade Federal Rural do Rio de JaneiroPrograma de Pós-Graduação em Modelagem Matemática e ComputacionalUFRRJBrasilInstituto de Ciências ExatasMatemáticaMatemáticaAprendizado de MáquinaMétrica RiemannianaKNNMachine LearningRiemannian MetricsUma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagensA proposal of th KNN algorithm on a riemannian perspective for the image classification probleminfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis1 THIAGO, E. R. de S. Reconhecimento de voz utilizando extração de coeficientes mel-cepstrais e redes neurais artificiais. 2017. 2 TUZEL, O.; PORIKLI, F.; MEER, P. Pedestrian detection via classification on riemannian manifolds. IEEE transactions on pattern analysis and machine intelligence, IEEE, v. 30, n. 10, p. 1713–1727, 2008. 3 LAN, X.; MA, A. J.; YUEN, P. C. Multi-cue visual tracking using robust feature-level fusion based on joint sparse representation. In: Proceedings of the IEEE conference on computer vision and pattern recognition. [S.l.: s.n.], 2014. p. 1194–1201. 4 LAN, X.; ZHANG, S.; YUEN, P. C. Robust joint discriminative feature learning for visual tracking. In: IJCAI. [S.l.: s.n.], 2016. p. 3403–3410. 5 CHAN, H.-P. et al. Improvement in radiologists’ detection of clustered microcalcifications on mammograms. Arbor, v. 1001, p. 48109–0326, 1990. 6 DOI, K. et al. Computer-aided diagnosis: present and future. a new horizon on medical physics and biomedical engineering. Elsevier Science Publishers BV, p. 59–66, 1991. 7 ELLIS, I. et al. Early experience in breast cancer screening: emphasis on development of protocols for triple assessment. The Breast, Elsevier, v. 2, n. 3, p. 148–153, 1993. 8 PETRICK, N. et al. An adaptive density-weighted contrast enhancement filter for mammographic breast mass detection. IEEE Transactions on Medical Imaging, IEEE, v. 15, n. 1, p. 59–67, 1996. 9 GIGER, M.; MACMAHON, H. Image processing and computer-aided diagnosis. Radiologic Clinics of North America, v. 34, n. 3, p. 565–596, 1996. 10 LAN, X. et al. Joint sparse representation and robust feature-level fusion for multi-cue visual tracking. IEEE Transactions on Image Processing, IEEE, v. 24, n. 12, p. 5826–5841, 2015. 11 LAN, X. et al. Learning common and feature-specific patterns: a novel multiple-sparse- representation-based tracker. IEEE Transactions on Image Processing, IEEE, v. 27, n. 4, p. 2022–2037, 2017. 12 DALAL, N.; TRIGGS, B. Histograms of oriented gradients for human detection. In: IEEE. 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05). [S.l.], 2005. v. 1, p. 886–893. 13 LOWE, D. G. Distinctive image features from scale-invariant keypoints. International journal of computer vision, Springer, v. 60, n. 2, p. 91–110, 2004. 14 TUZEL, O.; PORIKLI, F.; MEER, P. Region covariance: A fast descriptor for detection and classification. In: SPRINGER. European conference on computer vision. [S.l.], 2006. p. 589–600. 15 WANG, R. et al. Covariance discriminative learning: A natural and efficient approach to image set classification. In: IEEE. 2012 IEEE conference on computer vision and pattern recognition. [S.l.], 2012. p. 2496–2503. 16 GONZALEZ, R. C.; WOODS, R. C. Processamento digital de imagens . [S.l.]: Pearson Educación, 2009. 17 PEREIRA, A. S.; RAFAEL, J. A. Processamento de imagens em medicina. Acta Medica Portuguesa, 1992. 18 SILVA, A. M. M. da; PATROCÍNIO, A. C.; SCHIABEL, H. Processamento e análise de imagens médicas. REVISTA BRASILEIRA DE FÍSICA MÉDICA (ONLINE), 2019. 19 LEÃO, P. P. de S. et al. Detecção de covid-19 em imagens de raio-x utilizando redes convolucionais. Journal of Health Informatics, v. 12, 2021. 20 RICHARDS, J. A.; RICHARDS, J. Remote sensing digital image analysis. [S.l.]: Springer, 1999. v. 3. 21 ADENIYI, P. O. Digital analysis of multitemporal landsat data for land-use/land-cover classification in a semi-arid area of nigeria. Photogrammetric engineering and remote sensing, v. 51, n. 11, p. 1761–1774, 1985. 22 MONARD, M. C.; BARANAUSKAS, J. A. Indução de regras e árvores de decisão. Sistemas Inteligentes-Fundamentos e Aplicações, sn, v. 1, p. 115–139, 2003. 23 BREIMAN, L. Random forests. Machine learning, Springer, v. 45, n. 1, p. 5–32, 2001. 24 GOLDSCHMIDT, R.; PASSOS, E. Data mining. [S.l.]: Gulf Professional Publishing, 2005. 25 HAYKIN, S. Redes neurais: princípios e prática. [S.l.]: Bookman Editora, 2007. 26 CORTES, C.; VAPNIK, V. Support-vector networks. Machine learning, Springer, v. 20, n. 3, p. 273–297, 1995. 27 RAUBER, T. W. Redes neurais artificiais. Universidade Federal do Espírito Santo, v. 29, 2005. 28 SILVA, L. Uma aplicação de árvores de decisão, redes neurais e knn para a identificação de modelos arma não sazonais e sazonais. Rio de Janeiro. 145p. Tese de Doutorado-Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, 2005. 40 29 GREGÓRIO, R.; OLIVEIRA, P. R. Método proximal com fatoraçoes de schur para determinaçao da média riemanniana de matrizes simétricas definidas positivas. 2012. 30 SAKAI, T. Riemannian geometry, translations of mathematical monographs 149, amer-ican mathematical society, providence, ri, 1996. MR1390760 (97f: 53001). 31 CARMO, M. P. d. Geometria Riemanniana. [S.l.], 1988. 32 LEON, S. J. Álgebra Linear com Aplicações . [S.l.]: Grupo Gen-LTC, 2000. 33 MOAKHER, M. A differential geometric approach to the geometric mean of symmetric positive-definite matrices. SIAM Journal on Matrix Analysis and Applications, SIAM, v. 26, n. 3, p. 735–747, 2005. 34 GREGÓRIO, R.; OLIVEIRA, P. R. Título Algoritmo de Ponto no Cone das Matrizes Simétricas Semidefinidas Positivas e Um Método de Escalarização Proximal Log Quadrático para Programação Multiobjetivo. Tese (Doutorado) — COPPE/UFRJ, 2008. 35 ROTHAUS, O. S. Domains of positivity. In: SPRINGER. Abhandlungen aus dem Mathematischen Seminar der Universität Hamburg. [S.l.], 1960. v. 24, n. 1, p. 189–235. 36 NESTEROV, Y. E.; TODD, M. J. et al. On the riemannian geometry defined by self- concordant barriers and interior-point methods. Foundations of Computational Mathematics, Springer, v. 2, n. 4, p. 333–361, 2002. 37 HARANDI, M. T. et al. Sparse coding and dictionary learning for symmetric positive definite matrices: A kernel approach. In: SPRINGER. European Conference on Computer Vision. [S.l.], 2012. p. 216–229. 38 LI, P. et al. Log-euclidean kernels for sparse representation and dictionary learning. In: Proceedings of the IEEE international conference on computer vision. [S.l.: s.n.], 2013. p. 1601–1608. 39 CASEIRO, R. et al. Semi-intrinsic mean shift on riemannian manifolds. In: SPRINGER. European conference on computer vision. [S.l.], 2012. p. 342–355. 40 VEMULAPALLI, R.; PILLAI, J. K.; CHELLAPPA, R. Kernel learning for extrinsic classification of manifold features. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. [S.l.: s.n.], 2013. p. 1782–1789. 41 HUANG, Z. et al. Learning euclidean-to-riemannian metric for point-to-set classification. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. [S.l.: s.n.], 2014. p. 1677–1684. 42 HUANG, Z. et al. Log-euclidean metric learning on symmetric positive definite manifold with application to image set classification. In: PMLR. International conference on machine learning. [S.l.], 2015. p. 720–729. 43 DU, Y. et al. Classification of tumor epithelium and stroma by exploiting image features learned by deep convolutional neural networks. Annals of biomedical engineering, Springer, v. 46, n. 12, p. 1988–1999, 2018. 41 44 HEIDARI, M. et al. Prediction of breast cancer risk using a machine learning approach embedded with a locality preserving projection algorithm. Physics in Medicine & Biology, IOP Publishing, v. 63, n. 3, p. 035020, 2018. 45 HEIDARI, M. et al. Development and assessment of a new global mammographic image feature analysis scheme to predict likelihood of malignant cases. IEEE transactions on medical imaging, IEEE, v. 39, n. 4, p. 1235–1244, 2019. 46 OPBROEK, A. V. et al. Transfer learning improves supervised image segmentation across imaging protocols. IEEE transactions on medical imaging, IEEE, v. 34, n. 5, p. 1018–1030, 2014. 47 ZARGARI, A. et al. Prediction of chemotherapy response in ovarian cancer patients using a new clustered quantitative image marker. Physics in Medicine & Biology, IOP Publishing, v. 63, n. 15, p. 155020, 2018. 48 KHUZANI, A. Z.; HEIDARI, M.; SHARIATI, S. A. Covid-classifier: An automated machine learning model to assist in the diagnosis of covid-19 infection in chest x-ray images. Scientific Reports, Nature Publishing Group, v. 11, n. 1, p. 1–6, 2021. 49 OH, Y.; PARK, S.; YE, J. C. Deep learning covid-19 features on cxr using limited training data sets. IEEE transactions on medical imaging, IEEE, v. 39, n. 8, p. 2688–2700, 2020. 50 ROY, S. et al. Deep learning for classification and localization of covid-19 markers in point-of-care lung ultrasound. IEEE transactions on medical imaging, IEEE, v. 39, n. 8, p. 2676–2687, 2020. 51 WANG, S. et al. A fully automatic deep learning system for covid-19 diagnostic and prognostic analysis. European Respiratory Journal, Eur Respiratory Soc, v. 56, n. 2, 2020. 52 ZHANG, K. et al. Clinically applicable ai system for accurate diagnosis, quantitative measurements, and prognosis of covid-19 pneumonia using computed tomography. Cell, Elsevier, v. 181, n. 6, p. 1423–1433, 2020. 53 SONKA, M.; HLAVAC, V.; BOYLE, R. Image processing, analysis, and machine vision. [S.l.]: Cengage Learning, 2014.reponame:Repositório Institucional da UFRRJinstname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)instacron:UFRRJinfo:eu-repo/semantics/openAccessORIGINAL2022 - Helainy Ignacio De Almeida Tôrres.pdf2022 - Helainy Ignacio De Almeida Tôrres.pdfapplication/pdf2579047https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/1/2022%20-%20Helainy%20Ignacio%20De%20Almeida%20T%c3%b4rres.pdf9e01b5ee1d7f91ceda939d82699a1c17MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD52TEXT2022 - Helainy Ignacio De Almeida Tôrres.pdf.txt2022 - Helainy Ignacio De Almeida Tôrres.pdf.txtExtracted texttext/plain96376https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/3/2022%20-%20Helainy%20Ignacio%20De%20Almeida%20T%c3%b4rres.pdf.txt69ed0fc4f247d0f21c1c398a9ecf3016MD53THUMBNAIL2022 - Helainy Ignacio De Almeida Tôrres.pdf.jpg2022 - Helainy Ignacio De Almeida Tôrres.pdf.jpgGenerated Thumbnailimage/jpeg1444https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/4/2022%20-%20Helainy%20Ignacio%20De%20Almeida%20T%c3%b4rres.pdf.jpgbad32dc6bca52742840a7eb6871a8e2eMD5420.500.14407/157712024-08-06 02:08:51.285oai:rima.ufrrj.br:20.500.14407/15771Tk9URTogUExBQ0UgWU9VUiBPV04gTElDRU5TRSBIRVJFClRoaXMgc2FtcGxlIGxpY2Vuc2UgaXMgcHJvdmlkZWQgZm9yIGluZm9ybWF0aW9uYWwgcHVycG9zZXMgb25seS4KCk5PTi1FWENMVVNJVkUgRElTVFJJQlVUSU9OIExJQ0VOU0UKCkJ5IHNpZ25pbmcgYW5kIHN1Ym1pdHRpbmcgdGhpcyBsaWNlbnNlLCB5b3UgKHRoZSBhdXRob3Iocykgb3IgY29weXJpZ2h0Cm93bmVyKSBncmFudHMgdG8gRFNwYWNlIFVuaXZlcnNpdHkgKERTVSkgdGhlIG5vbi1leGNsdXNpdmUgcmlnaHQgdG8gcmVwcm9kdWNlLAp0cmFuc2xhdGUgKGFzIGRlZmluZWQgYmVsb3cpLCBhbmQvb3IgZGlzdHJpYnV0ZSB5b3VyIHN1Ym1pc3Npb24gKGluY2x1ZGluZwp0aGUgYWJzdHJhY3QpIHdvcmxkd2lkZSBpbiBwcmludCBhbmQgZWxlY3Ryb25pYyBmb3JtYXQgYW5kIGluIGFueSBtZWRpdW0sCmluY2x1ZGluZyBidXQgbm90IGxpbWl0ZWQgdG8gYXVkaW8gb3IgdmlkZW8uCgpZb3UgYWdyZWUgdGhhdCBEU1UgbWF5LCB3aXRob3V0IGNoYW5naW5nIHRoZSBjb250ZW50LCB0cmFuc2xhdGUgdGhlCnN1Ym1pc3Npb24gdG8gYW55IG1lZGl1bSBvciBmb3JtYXQgZm9yIHRoZSBwdXJwb3NlIG9mIHByZXNlcnZhdGlvbi4KCllvdSBhbHNvIGFncmVlIHRoYXQgRFNVIG1heSBrZWVwIG1vcmUgdGhhbiBvbmUgY29weSBvZiB0aGlzIHN1Ym1pc3Npb24gZm9yCnB1cnBvc2VzIG9mIHNlY3VyaXR5LCBiYWNrLXVwIGFuZCBwcmVzZXJ2YXRpb24uCgpZb3UgcmVwcmVzZW50IHRoYXQgdGhlIHN1Ym1pc3Npb24gaXMgeW91ciBvcmlnaW5hbCB3b3JrLCBhbmQgdGhhdCB5b3UgaGF2ZQp0aGUgcmlnaHQgdG8gZ3JhbnQgdGhlIHJpZ2h0cyBjb250YWluZWQgaW4gdGhpcyBsaWNlbnNlLiBZb3UgYWxzbyByZXByZXNlbnQKdGhhdCB5b3VyIHN1Ym1pc3Npb24gZG9lcyBub3QsIHRvIHRoZSBiZXN0IG9mIHlvdXIga25vd2xlZGdlLCBpbmZyaW5nZSB1cG9uCmFueW9uZSdzIGNvcHlyaWdodC4KCklmIHRoZSBzdWJtaXNzaW9uIGNvbnRhaW5zIG1hdGVyaWFsIGZvciB3aGljaCB5b3UgZG8gbm90IGhvbGQgY29weXJpZ2h0LAp5b3UgcmVwcmVzZW50IHRoYXQgeW91IGhhdmUgb2J0YWluZWQgdGhlIHVucmVzdHJpY3RlZCBwZXJtaXNzaW9uIG9mIHRoZQpjb3B5cmlnaHQgb3duZXIgdG8gZ3JhbnQgRFNVIHRoZSByaWdodHMgcmVxdWlyZWQgYnkgdGhpcyBsaWNlbnNlLCBhbmQgdGhhdApzdWNoIHRoaXJkLXBhcnR5IG93bmVkIG1hdGVyaWFsIGlzIGNsZWFybHkgaWRlbnRpZmllZCBhbmQgYWNrbm93bGVkZ2VkCndpdGhpbiB0aGUgdGV4dCBvciBjb250ZW50IG9mIHRoZSBzdWJtaXNzaW9uLgoKSUYgVEhFIFNVQk1JU1NJT04gSVMgQkFTRUQgVVBPTiBXT1JLIFRIQVQgSEFTIEJFRU4gU1BPTlNPUkVEIE9SIFNVUFBPUlRFRApCWSBBTiBBR0VOQ1kgT1IgT1JHQU5JWkFUSU9OIE9USEVSIFRIQU4gRFNVLCBZT1UgUkVQUkVTRU5UIFRIQVQgWU9VIEhBVkUKRlVMRklMTEVEIEFOWSBSSUdIVCBPRiBSRVZJRVcgT1IgT1RIRVIgT0JMSUdBVElPTlMgUkVRVUlSRUQgQlkgU1VDSApDT05UUkFDVCBPUiBBR1JFRU1FTlQuCgpEU1Ugd2lsbCBjbGVhcmx5IGlkZW50aWZ5IHlvdXIgbmFtZShzKSBhcyB0aGUgYXV0aG9yKHMpIG9yIG93bmVyKHMpIG9mIHRoZQpzdWJtaXNzaW9uLCBhbmQgd2lsbCBub3QgbWFrZSBhbnkgYWx0ZXJhdGlvbiwgb3RoZXIgdGhhbiBhcyBhbGxvd2VkIGJ5IHRoaXMKbGljZW5zZSwgdG8geW91ciBzdWJtaXNzaW9uLgo=Biblioteca Digital de Teses e Dissertaçõeshttps://tede.ufrrj.br/PUBhttps://tede.ufrrj.br/oai/requestbibliot@ufrrj.bropendoar:2024-08-06T05:08:51Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)false
dc.title.pt_BR.fl_str_mv Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
dc.title.alternative.en.fl_str_mv A proposal of th KNN algorithm on a riemannian perspective for the image classification problem
title Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
spellingShingle Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
Torres, Helainy Ignacio de Almeida
Matemática
Matemática
Aprendizado de Máquina
Métrica Riemanniana
KNN
Machine Learning
Riemannian Metrics
title_short Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
title_full Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
title_fullStr Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
title_full_unstemmed Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
title_sort Uma proposta do algoritmo KNN sobre uma perspectiva riemanniana para o problema de classificação de imagens
author Torres, Helainy Ignacio de Almeida
author_facet Torres, Helainy Ignacio de Almeida
author_role author
dc.contributor.author.fl_str_mv Torres, Helainy Ignacio de Almeida
dc.contributor.advisor1.fl_str_mv Cruz, Marcelo Dib
dc.contributor.advisor1ID.fl_str_mv 016.628.007-03
https://orcid.org/0000-0002-0380-144X
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/7385995443437070
dc.contributor.advisor-co1.fl_str_mv Gregório, Ronaldo Malheiros
dc.contributor.advisor-co1ID.fl_str_mv 077.117.167-61
https://orcid.org/0000-0003-2229-0523
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/4502104424266743
dc.contributor.referee1.fl_str_mv Cruz, Marcelo Dib
dc.contributor.referee1ID.fl_str_mv 016.628.007-03
https://orcid.org/0000-0002-0380-144X
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/7385995443437070
dc.contributor.referee2.fl_str_mv Vera-Tudela, Carlos Andrés Reyna
dc.contributor.referee2ID.fl_str_mv https://orcid.org/0000-0001-5855-8611
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/6509989261742578
dc.contributor.referee3.fl_str_mv França, Juliana Baptista dos Santos
dc.contributor.referee3ID.fl_str_mv 053.276.397-11
dc.contributor.referee3Lattes.fl_str_mv http://lattes.cnpq.br/9341068095520817
dc.contributor.authorID.fl_str_mv 092.252.057-75
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/0381719929316735
contributor_str_mv Cruz, Marcelo Dib
Gregório, Ronaldo Malheiros
Cruz, Marcelo Dib
Vera-Tudela, Carlos Andrés Reyna
França, Juliana Baptista dos Santos
dc.subject.cnpq.fl_str_mv Matemática
Matemática
topic Matemática
Matemática
Aprendizado de Máquina
Métrica Riemanniana
KNN
Machine Learning
Riemannian Metrics
dc.subject.por.fl_str_mv Aprendizado de Máquina
Métrica Riemanniana
KNN
Machine Learning
Riemannian Metrics
description Machine learning (Aprendizado de Máquina) ganhou destaque por ser uma área da inteligên- cia artificial que permite que algoritmos tomem decisões através do conhecimento extraído de amostras de dados. Uma das áreas de Machine Learning são os algoritmos de classificação, que se baseiam em prever a classe de uma observação dada. Existem vários métodos na literatura, que resolvem problemas de classificação como Rede Neural, SVM, KNN entre outros. Uma das semelhanças entre eles é utilizar a métrica euclidiana para determinar erros e aproxima- ções. Nesse trabalho propomos construir um algoritmo baseado no KNN utilizando a métrica riemanniana para o problema de classificação de imagens. Os bancos de imagens utilizados durante a pesquisa são de imagens médicas e cada imagem será representada como uma matriz de covariância. O método proposto foi comparado com o KNN clássico que utiliza a métrica euclidiana e em todosos testes realizados se mostrou superior, apesar da qualidade das imagem, demonstrando que a técnica tem muito a oferecer.
publishDate 2022
dc.date.issued.fl_str_mv 2022-05-30
dc.date.accessioned.fl_str_mv 2024-01-23T12:05:36Z
dc.date.available.fl_str_mv 2024-01-23T12:05:36Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://rima.ufrrj.br/jspui/handle/20.500.14407/15771
url https://rima.ufrrj.br/jspui/handle/20.500.14407/15771
dc.language.iso.fl_str_mv por
language por
dc.relation.references.pt_BR.fl_str_mv 1 THIAGO, E. R. de S. Reconhecimento de voz utilizando extração de coeficientes mel-cepstrais e redes neurais artificiais. 2017. 2 TUZEL, O.; PORIKLI, F.; MEER, P. Pedestrian detection via classification on riemannian manifolds. IEEE transactions on pattern analysis and machine intelligence, IEEE, v. 30, n. 10, p. 1713–1727, 2008. 3 LAN, X.; MA, A. J.; YUEN, P. C. Multi-cue visual tracking using robust feature-level fusion based on joint sparse representation. In: Proceedings of the IEEE conference on computer vision and pattern recognition. [S.l.: s.n.], 2014. p. 1194–1201. 4 LAN, X.; ZHANG, S.; YUEN, P. C. Robust joint discriminative feature learning for visual tracking. In: IJCAI. [S.l.: s.n.], 2016. p. 3403–3410. 5 CHAN, H.-P. et al. Improvement in radiologists’ detection of clustered microcalcifications on mammograms. Arbor, v. 1001, p. 48109–0326, 1990. 6 DOI, K. et al. Computer-aided diagnosis: present and future. a new horizon on medical physics and biomedical engineering. Elsevier Science Publishers BV, p. 59–66, 1991. 7 ELLIS, I. et al. Early experience in breast cancer screening: emphasis on development of protocols for triple assessment. The Breast, Elsevier, v. 2, n. 3, p. 148–153, 1993. 8 PETRICK, N. et al. An adaptive density-weighted contrast enhancement filter for mammographic breast mass detection. IEEE Transactions on Medical Imaging, IEEE, v. 15, n. 1, p. 59–67, 1996. 9 GIGER, M.; MACMAHON, H. Image processing and computer-aided diagnosis. Radiologic Clinics of North America, v. 34, n. 3, p. 565–596, 1996. 10 LAN, X. et al. Joint sparse representation and robust feature-level fusion for multi-cue visual tracking. IEEE Transactions on Image Processing, IEEE, v. 24, n. 12, p. 5826–5841, 2015. 11 LAN, X. et al. Learning common and feature-specific patterns: a novel multiple-sparse- representation-based tracker. IEEE Transactions on Image Processing, IEEE, v. 27, n. 4, p. 2022–2037, 2017. 12 DALAL, N.; TRIGGS, B. Histograms of oriented gradients for human detection. In: IEEE. 2005 IEEE computer society conference on computer vision and pattern recognition (CVPR’05). [S.l.], 2005. v. 1, p. 886–893. 13 LOWE, D. G. Distinctive image features from scale-invariant keypoints. International journal of computer vision, Springer, v. 60, n. 2, p. 91–110, 2004. 14 TUZEL, O.; PORIKLI, F.; MEER, P. Region covariance: A fast descriptor for detection and classification. In: SPRINGER. European conference on computer vision. [S.l.], 2006. p. 589–600. 15 WANG, R. et al. Covariance discriminative learning: A natural and efficient approach to image set classification. In: IEEE. 2012 IEEE conference on computer vision and pattern recognition. [S.l.], 2012. p. 2496–2503. 16 GONZALEZ, R. C.; WOODS, R. C. Processamento digital de imagens . [S.l.]: Pearson Educación, 2009. 17 PEREIRA, A. S.; RAFAEL, J. A. Processamento de imagens em medicina. Acta Medica Portuguesa, 1992. 18 SILVA, A. M. M. da; PATROCÍNIO, A. C.; SCHIABEL, H. Processamento e análise de imagens médicas. REVISTA BRASILEIRA DE FÍSICA MÉDICA (ONLINE), 2019. 19 LEÃO, P. P. de S. et al. Detecção de covid-19 em imagens de raio-x utilizando redes convolucionais. Journal of Health Informatics, v. 12, 2021. 20 RICHARDS, J. A.; RICHARDS, J. Remote sensing digital image analysis. [S.l.]: Springer, 1999. v. 3. 21 ADENIYI, P. O. Digital analysis of multitemporal landsat data for land-use/land-cover classification in a semi-arid area of nigeria. Photogrammetric engineering and remote sensing, v. 51, n. 11, p. 1761–1774, 1985. 22 MONARD, M. C.; BARANAUSKAS, J. A. Indução de regras e árvores de decisão. Sistemas Inteligentes-Fundamentos e Aplicações, sn, v. 1, p. 115–139, 2003. 23 BREIMAN, L. Random forests. Machine learning, Springer, v. 45, n. 1, p. 5–32, 2001. 24 GOLDSCHMIDT, R.; PASSOS, E. Data mining. [S.l.]: Gulf Professional Publishing, 2005. 25 HAYKIN, S. Redes neurais: princípios e prática. [S.l.]: Bookman Editora, 2007. 26 CORTES, C.; VAPNIK, V. Support-vector networks. Machine learning, Springer, v. 20, n. 3, p. 273–297, 1995. 27 RAUBER, T. W. Redes neurais artificiais. Universidade Federal do Espírito Santo, v. 29, 2005. 28 SILVA, L. Uma aplicação de árvores de decisão, redes neurais e knn para a identificação de modelos arma não sazonais e sazonais. Rio de Janeiro. 145p. Tese de Doutorado-Departamento de Engenharia Elétrica, Pontifícia Universidade Católica do Rio de Janeiro, 2005. 40 29 GREGÓRIO, R.; OLIVEIRA, P. R. Método proximal com fatoraçoes de schur para determinaçao da média riemanniana de matrizes simétricas definidas positivas. 2012. 30 SAKAI, T. Riemannian geometry, translations of mathematical monographs 149, amer-ican mathematical society, providence, ri, 1996. MR1390760 (97f: 53001). 31 CARMO, M. P. d. Geometria Riemanniana. [S.l.], 1988. 32 LEON, S. J. Álgebra Linear com Aplicações . [S.l.]: Grupo Gen-LTC, 2000. 33 MOAKHER, M. A differential geometric approach to the geometric mean of symmetric positive-definite matrices. SIAM Journal on Matrix Analysis and Applications, SIAM, v. 26, n. 3, p. 735–747, 2005. 34 GREGÓRIO, R.; OLIVEIRA, P. R. Título Algoritmo de Ponto no Cone das Matrizes Simétricas Semidefinidas Positivas e Um Método de Escalarização Proximal Log Quadrático para Programação Multiobjetivo. Tese (Doutorado) — COPPE/UFRJ, 2008. 35 ROTHAUS, O. S. Domains of positivity. In: SPRINGER. Abhandlungen aus dem Mathematischen Seminar der Universität Hamburg. [S.l.], 1960. v. 24, n. 1, p. 189–235. 36 NESTEROV, Y. E.; TODD, M. J. et al. On the riemannian geometry defined by self- concordant barriers and interior-point methods. Foundations of Computational Mathematics, Springer, v. 2, n. 4, p. 333–361, 2002. 37 HARANDI, M. T. et al. Sparse coding and dictionary learning for symmetric positive definite matrices: A kernel approach. In: SPRINGER. European Conference on Computer Vision. [S.l.], 2012. p. 216–229. 38 LI, P. et al. Log-euclidean kernels for sparse representation and dictionary learning. In: Proceedings of the IEEE international conference on computer vision. [S.l.: s.n.], 2013. p. 1601–1608. 39 CASEIRO, R. et al. Semi-intrinsic mean shift on riemannian manifolds. In: SPRINGER. European conference on computer vision. [S.l.], 2012. p. 342–355. 40 VEMULAPALLI, R.; PILLAI, J. K.; CHELLAPPA, R. Kernel learning for extrinsic classification of manifold features. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. [S.l.: s.n.], 2013. p. 1782–1789. 41 HUANG, Z. et al. Learning euclidean-to-riemannian metric for point-to-set classification. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. [S.l.: s.n.], 2014. p. 1677–1684. 42 HUANG, Z. et al. Log-euclidean metric learning on symmetric positive definite manifold with application to image set classification. In: PMLR. International conference on machine learning. [S.l.], 2015. p. 720–729. 43 DU, Y. et al. Classification of tumor epithelium and stroma by exploiting image features learned by deep convolutional neural networks. Annals of biomedical engineering, Springer, v. 46, n. 12, p. 1988–1999, 2018. 41 44 HEIDARI, M. et al. Prediction of breast cancer risk using a machine learning approach embedded with a locality preserving projection algorithm. Physics in Medicine & Biology, IOP Publishing, v. 63, n. 3, p. 035020, 2018. 45 HEIDARI, M. et al. Development and assessment of a new global mammographic image feature analysis scheme to predict likelihood of malignant cases. IEEE transactions on medical imaging, IEEE, v. 39, n. 4, p. 1235–1244, 2019. 46 OPBROEK, A. V. et al. Transfer learning improves supervised image segmentation across imaging protocols. IEEE transactions on medical imaging, IEEE, v. 34, n. 5, p. 1018–1030, 2014. 47 ZARGARI, A. et al. Prediction of chemotherapy response in ovarian cancer patients using a new clustered quantitative image marker. Physics in Medicine & Biology, IOP Publishing, v. 63, n. 15, p. 155020, 2018. 48 KHUZANI, A. Z.; HEIDARI, M.; SHARIATI, S. A. Covid-classifier: An automated machine learning model to assist in the diagnosis of covid-19 infection in chest x-ray images. Scientific Reports, Nature Publishing Group, v. 11, n. 1, p. 1–6, 2021. 49 OH, Y.; PARK, S.; YE, J. C. Deep learning covid-19 features on cxr using limited training data sets. IEEE transactions on medical imaging, IEEE, v. 39, n. 8, p. 2688–2700, 2020. 50 ROY, S. et al. Deep learning for classification and localization of covid-19 markers in point-of-care lung ultrasound. IEEE transactions on medical imaging, IEEE, v. 39, n. 8, p. 2676–2687, 2020. 51 WANG, S. et al. A fully automatic deep learning system for covid-19 diagnostic and prognostic analysis. European Respiratory Journal, Eur Respiratory Soc, v. 56, n. 2, 2020. 52 ZHANG, K. et al. Clinically applicable ai system for accurate diagnosis, quantitative measurements, and prognosis of covid-19 pneumonia using computed tomography. Cell, Elsevier, v. 181, n. 6, p. 1423–1433, 2020. 53 SONKA, M.; HLAVAC, V.; BOYLE, R. Image processing, analysis, and machine vision. [S.l.]: Cengage Learning, 2014.
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.publisher.program.fl_str_mv Programa de Pós-Graduação em Modelagem Matemática e Computacional
dc.publisher.initials.fl_str_mv UFRRJ
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv Instituto de Ciências Exatas
publisher.none.fl_str_mv Universidade Federal Rural do Rio de Janeiro
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFRRJ
instname:Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron:UFRRJ
instname_str Universidade Federal Rural do Rio de Janeiro (UFRRJ)
instacron_str UFRRJ
institution UFRRJ
reponame_str Repositório Institucional da UFRRJ
collection Repositório Institucional da UFRRJ
bitstream.url.fl_str_mv https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/1/2022%20-%20Helainy%20Ignacio%20De%20Almeida%20T%c3%b4rres.pdf
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/2/license.txt
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/3/2022%20-%20Helainy%20Ignacio%20De%20Almeida%20T%c3%b4rres.pdf.txt
https://rima.ufrrj.br/jspui/bitstream/20.500.14407/15771/4/2022%20-%20Helainy%20Ignacio%20De%20Almeida%20T%c3%b4rres.pdf.jpg
bitstream.checksum.fl_str_mv 9e01b5ee1d7f91ceda939d82699a1c17
8a4605be74aa9ea9d79846c1fba20a33
69ed0fc4f247d0f21c1c398a9ecf3016
bad32dc6bca52742840a7eb6871a8e2e
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFRRJ - Universidade Federal Rural do Rio de Janeiro (UFRRJ)
repository.mail.fl_str_mv bibliot@ufrrj.br
_version_ 1849138590470111232

Registros relacionados