classificação de imagens tomográficas de ciência dos solos utilizando redes neurais e...
TRANSCRIPT
![Page 1: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/1.jpg)
Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores
Fabricio Aparecido Breve
Prof. Dr. Nelson Delfino d’Ávila Mascarenhas
![Page 2: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/2.jpg)
Apresentação Objetivos Tomografia Computadorizada / Obtenção das Imagens Classificação
Redes Neurais Perceptron de Múltiplas Camadas Redes de Função de Base Radial
Avaliação de Desempenho dos Classificadores Hold-Out Coeficiente Kappa
Combinadores de Classificadores Decision Templates Dempster-Shafer Bagging
Proposta Resultados Conclusões Produção Bibliográfica
![Page 3: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/3.jpg)
Objetivos
Identificar materiais em imagens tomográficas multiespectrais utilizando classificadores baseados em redes neurais
Melhorar desempenho desses classificadores utilizando combinação de classificadores
Verificar e comparar desempenho dos classificadores e combinadores
![Page 4: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/4.jpg)
Tomografia Computadorizada
Método não destrutivo de reconstruir uma imagem a partir de suas projeções (informações derivadas das energias transmitidas, quando o objeto é iluminado a partir de um determinado ângulo)
Solução matemática apresentada por Radon em 1917
Primeiro scanner tomográfico computadorizado apresentado por Hounsfield em 1972
![Page 5: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/5.jpg)
Tomografia Computadorizada
Imagens tomográficas são obtidas através de um sensor que responde de acordo com a quantidade de fótons que incidem sobre ele
É possível utilizar sensores com respostas espectrais diferentes, obtendo-se imagens diferentes, mas em um mesmo instante
Imagens Multiespectrais: conjunto total de imagens geradas em um mesmo momento por sensores com diferentes respostas espectrais
Emissor Detector
objeto
![Page 6: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/6.jpg)
Tomografia Computadorizada
Dados de projeção resultam da interação entre a radiação usada e da composição do objeto a ser reconstruído
Absorção Fotoelétrica: um fóton de raio-x concede toda a sua energia para um elétron fortemente ligado
Efeito Compton: um fóton de raio-x interage com um elétron livre ou fracamente ligado, cedendo a ele parte de sua energia e desviando-se de sua trajetória original
![Page 7: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/7.jpg)
Obtenção das Imagens
Phantom construído com materiais encontrados no solo
Suporte de Plexiglass 4 Cilindros contendo:
Alumínio, Água, Fósforo e Cálcio
![Page 8: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/8.jpg)
Obtenção das Imagens
Resolução: 65x65 pixels 256 níveis de cinza Imagens negativas para melhor visualização 3 segundos de exposição (ruído alto)
40 keVRaio-X
60 keVAmerício
85 keVRaio-X
662 keVCésio
![Page 9: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/9.jpg)
Obtenção das Imagens
As energias empregadas foram escolhidas pela disponibilidade e pela melhor discriminação entre os materiais
4060
85 662
![Page 10: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/10.jpg)
Reconhecimento de Padrões
Objetivo: classificar objetos de interesse em “categorias” ou “classes”
Atributos: características que podem ser utilizadas para diferenciar os objetos
Treinamento Supervisionado: consiste em utilizar um determinado conjunto de padrões já devidamente rotulados para treinar o classificador
![Page 11: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/11.jpg)
Reconhecimento de Padrões
Classificadores utilizados em trabalhos anteriores: (Homem, 1998; Ponti, 2004) Máxima Verossimilhança K-Médias ICM (Interacted Conditional Modes) Bayesiano Linear Logístico Parzen K-Vizinhos Mais Próximos
![Page 12: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/12.jpg)
Classificadores e Redes Neurais
Estatística: Reconhece a natureza probabilística da informação
que procuramos para processar e da forma pela qual devemos expressar os resultados.
Redes Neurais Motivado pelos estudos da maneira como o cérebro
humano processa informações O cérebro é um “computador” altamente complexo,
não-linear e paralelo
![Page 13: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/13.jpg)
Redes Neurais - Modelo de um Neurônio
![Page 14: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/14.jpg)
Perceptron de Múltiplas Camadas Uma camada de entrada, uma ou mais camadas
intermediária e uma camada de saída Treinamento: Algoritmo de Retropropagação Camadas intermediárias e ocultas usam funções
Sigmoidais
)exp(1
1)(
aag
![Page 15: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/15.jpg)
Algoritmo de Retropropagação
consiste basicamente em dois passos:Passo para frente em que o sinal aplicado à
entrada vai se propagando pelos nós computacionais da rede até chegar aos nós de saída
Passo para trás, onde todos os pesos sinápticos são ajustados de acordo com uma regra de correção de erro
![Page 16: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/16.jpg)
Redes de Função de Base Radial
Vê a rede neural como um problema de ajuste de curva em um espaço de alta dimensionalidade
Aprender equivale a encontrar uma superfície num espaço multidimensional que forneça o melhor ajuste para os dados de treinamento do ponto de vista estatístico
![Page 17: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/17.jpg)
Redes de Função de Base Radial Possui 3 camadas:
Entrada: nós sensoriais que recebem os dados do ambiente.
Intermediária (oculta): faz uma transformação não-linear do espaço de entrada para um espaço oculto, normalmente de alta dimensionalidade
Saída: linear, e fornece a resposta da rede ao sinal de entrada
![Page 18: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/18.jpg)
Avaliação de Desempenho dos Classificadores Hold-Out
Separa-se o conjunto de dados disponíveis (amostras pré-rotuladas) em duas metades. Usa-se uma para treinar o classificador e a outra para testá-lo, obtendo-se a taxa de erro
É pessimístico porque usa apenas uma porção dos dados para o treinamento
![Page 19: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/19.jpg)
Avaliação de Desempenho dos Classificadores Coeficiente Kappa:
criado por Cohen em 1960 e pode ser utilizado para medir a concordância entre a saída do classificador e as amostras pré-rotuladas
)(1
)()(
EP
EPAPK
Os valores de K podem variar entre -1 e 1K=1 total concordância; K=0 nenhuma concordância
além da esperada em uma classificação feita ao acaso
![Page 20: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/20.jpg)
Combinação de Classificadores
é uma forma de conseguir uma classificação mais precisa, ao custo de ter um aumento na complexidade
ao combinar classificadores as deficiências de um determinado classificador são compensadas pelas qualidades de outro
![Page 21: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/21.jpg)
Combinação de Classificadores
Combinadores utilizados em trabalho anterior: (Ponti, 2004) Votação por Maioria Máximo Mínimo Mediana Soma Produto
Combinadores utilizados neste trabalho: Bagging Decision Templates
(DT) Dempster-Shafer (DS) Bagging + DT Bagging + DS
![Page 22: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/22.jpg)
Combinação de Classificadores
Níveis de informação que um classificador pode fornecer:
Nível abstrato: o classificador fornece apenas uma única saída que é o rótulo da amostra que foi submetida à classificação
Nível de ranking: o classificador retorna todos os rótulos possíveis em uma fila com o rótulo mais acima sendo a primeira opção
Nível de medição: para cada opção de rótulo é atribuído um valor que corresponde à probabilidade daquele ser o rótulo correto.
![Page 23: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/23.jpg)
Combinação de Classificadores com Valores de Saída Contínuos
)()()(
)()()(
)()()(
)(
,,1,
,,1,
,1,11,1
xdxdxd
xdxdxd
xdxdxd
xDP
cLjLL
cijii
cj
Perfil de Decisão (DP(x))
![Page 24: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/24.jpg)
Decision Templates
É construído um Decision Profile (DP) com a saída de todos os classificadores dada uma amostra
Um Decision Template (DT) é a média de todos os DPs (um por amostra) de uma determinada classe
O rótulo de uma amostra de teste é escolhido comparando o seu DP com o DT de cada classe e escolhendo o mais similar
Aproveita inclusive os erros de classificação
![Page 25: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/25.jpg)
Dempster-Shafer
Baseado na teoria da evidência, uma maneira de representar conhecimento cognitivo
Semelhante ao método Decision Templates, porém, para cada amostra é calculada a proximidade entre o Decision Template e a saída de cada classificador
12
1
12
,
))(1(
))(1()(
c
k iki
iij
ij
xDDT
xDDTx
![Page 26: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/26.jpg)
Dempster-Shafer
Estas proximidades são usadas para calcular um grau de crença para cada classe e cada classificador
O grau de suporte final para cada classe é calculado a partir destes graus de crença
jk ikij
jk ikij
ij xx
xxDb
))](1(1)[(1
))(1))((
,,
,,
L
iijj xDbKx
1
))(()(
![Page 27: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/27.jpg)
Bagging
Criado por Breiman em 1996 Acrônimo para Bootstrap AGGregatING Consiste em construir réplicas do tipo bootstrap
do conjunto de treinamento e treiná-las individualmente
Saída dos diversos classificadores é então combinada usando votação
Ideal para classificadores base instáveis (ex.: Perceptron)
![Page 28: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/28.jpg)
Proposta Identificar materiais em imagens multiespectrais de tomografia de
solo
Classificadores propostos: Perceptron de Múltiplas Camadas Redes de Função de Base Radial
Combinadores de Classificadores Propostos: Bagging (média) Decision Templates Dempster-Shafer Bagging + Decision Templates Bagging + Dempster-Shafer
Avaliação de Desempenho Proposta: Método Hold-Out (50-50) Coeficiente Kappa
![Page 29: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/29.jpg)
Proposta
Ferramentas de Implementação
1. Matlab Facilidade para operações com matrizes Toolbox para Redes Neurais
2. PRTools Toolbox desenvolvido na Universidade de Delft (Holanda)
Cobre grande parte das técnicas de Reconhecimento de
Padrões
![Page 30: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/30.jpg)
Experimentos
480 amostras (80 de cada uma das 6 classes): Alumínio Água Fósforo Cálcio Plexiglass Fundo
240 amostras (40 de cada classe) para treinamento
240 amostras para teste
![Page 31: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/31.jpg)
Experimentos
Redes com 2 a 25 nós na camada oculta (Perceptron usando apenas uma camada oculta)
Cada experimento para todos os métodos de classificação foram executados 100 vezes
Todos os experimentos com combinadores de classificadores utilizaram 10 classificadores-base com diferentes inicializações (e também diferentes amostras nos experimentos com Bagging)
![Page 32: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/32.jpg)
Resultados - Erro Estimado médio para o Perceptron de Múltiplas Camadas
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
2 4 6 8 10 12 14 16 18 20 22 24
Nós na Camada Oculta
Err
o E
sti
ma
do
IndividualBaggingDTDSBAGDTBAGDS
![Page 33: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/33.jpg)
Resultados – Coeficiente Kappa médio para o Perceptron de Múltiplas Camadas
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
0,9000
1,0000
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Nós na camada oculta
Co
efi
cie
nte
Ka
pp
a
Individual
Bagging
DT
DS
BAGDT
BAGDS
![Page 34: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/34.jpg)
Resultados – Desvio Padrão médio para o Perceptron de Múltiplas Camadas
0,0000
0,0500
0,1000
0,1500
0,2000
0,2500
0,3000
Nós na Camada Oculta
De
sv
io P
ad
rão
Individual
Bagging
DT
DS
BAGDT
BAGDS
![Page 35: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/35.jpg)
Imagens Temáticos – Perceptron de Múltiplas Camadas
Individual
Erro: 0,0125 / Kappa: 0,9850
Bagging
Erro: 0,0250 / Kappa: 0,9700
Decision Templates
Erro: 0,0083 / Kappa: 0,9900
Dempster-Shafer
Erro: 0,0125 / Kappa: 0,9850
Bagging c/ Decision Templates Erro: 0,0083 / Kappa: 0,9900
Bagging c/ Dempster-Shafer Erro: 0,0083 / Kappa: 0,9900
Imagens Temáticas para Perceptron de Múltiplas Camadas com 2 nós na camada oculta (melhores casos)
![Page 36: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/36.jpg)
Imagens Temáticos – Perceptron de Múltiplas Camadas
Imagens Temáticas para Perceptron de Múltiplas Camadas com 2 nós na camada oculta (piores casos)
Classificador Individual
Erro: 0,8792 / Kappa: -0,0550
Bagging
Erro: 0,8500 / Kappa: -0,0200
Decision Templates
Erro: 0,1708 / Kappa: 0,7950
Dempster-Shafer
Erro: 0,1500 / Kappa: 0,8200
Bagging c/ Decision Templates Erro: 0,1208 / Kappa: 0,8550
Bagging c/ Dempster-Shafer Erro: 0,1333 / Kappa: 0,8400
![Page 37: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/37.jpg)
Resultados - Erro Estimado médio para Redes de Função de Base Radial
0,0000
0,1000
0,2000
0,3000
0,4000
0,5000
0,6000
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Nós na Camada Oculta
Err
o E
sti
ma
do
Individual
Bagging
DT
DS
BAGDT
BAGDS
![Page 38: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/38.jpg)
Resultados – Coeficiente Kappa médio para Redes de Função de Base Radial
0,3000
0,4000
0,5000
0,6000
0,7000
0,8000
0,9000
1,0000
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Nós na Camada Oculta
Co
efi
cie
nte
Ka
pp
a
Individual
Bagging
DT
DS
BAGDT
BAGDS
![Page 39: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/39.jpg)
Resultados – Desvio Padrão médio para Redes de Função de Base Radial
0,0000
0,0050
0,0100
0,0150
0,0200
0,0250
0,0300
0,0350
0,0400
0,0450
0,0500
2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
Nós na Camada Oculta
De
sv
io P
ad
rão
Individual
Bagging
DT
DS
BAGDT
BAGDS
![Page 40: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/40.jpg)
Individual
Erro: 0,0333 / Kappa: 0,9600
Bagging
Erro: 0,0208 / Kappa: 0,9750
Decision Templates
Erro: 0,0292 / Kappa: 0,9650
Dempster-Shafer
Erro: 0,0292 / Kappa: 0,9650
Bagging c/ Decision Templates Erro: 0,0208 / Kappa: 0,9750
Bagging c/ Dempster-Shafer Erro: 0,0208 / Kappa: 0,9750
Imagens Temáticos – Redes de Função de Base Radial
Imagens Temáticas para Redes de Função de Base Radial com 13 nós na camada oculta (melhores casos)
![Page 41: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/41.jpg)
Imagens Temáticos – Redes de Função de Base Radial
Imagens Temáticas para Redes de Função de Base Radial com 13 nós na camada oculta (piores casos)
Individual
Erro: 0,0500 / Kappa: 0,9400
Bagging
Erro: 0,0458 / Kappa: 0,9750
Decision Templates
Erro: 0,0375 / Kappa: 0,9550
Dempster-Shafer
Erro: 0,0375 / Kappa: 0,9550
Bagging c/ Decision Templates Erro: 0,0458 / Kappa: 0,9450
Bagging c/ Dempster-Shafer Erro: 0,0458 / Kappa: 0,9450
![Page 42: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/42.jpg)
Conclusões
O uso de combinadores produz resultados mais estáveis e melhora significativamente o desempenho dos classificadores
Perceptron de Múltiplas Camadas Decision Templates e Dempster-Shafer apresentam
melhor desempenho que técnicas com Bagging Redes de Função de Base Radial
Técnicas com Bagging apresentam melhor desempenho que Decision Templates e Dempster-Shafer
![Page 43: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/43.jpg)
Conclusões
Decision Templates: o mais indicado para o Perceptron de Multiplas Camadasdiferenças nas redes causadas pela
inicialização aleatória dos parâmetros livres já são suficientes para produzir classificadores bastante diferentes e bons para combinação
combinador que deixou o Perceptron mais estável
![Page 44: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/44.jpg)
Conclusões
Bagging: o mais indicado para Redes de Função de Base Radial leva vantagem por utilizar conjuntos de
amostras do tipo bootstrap, produzindo classificadores diferentes para a combinação
Bagging c/ Decision Templates também apresenta um bom desempenho, porém traz uma leve instabilidade
![Page 45: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/45.jpg)
Produção Bibliográfica
Publicação em Congresso (full paper): Breve, F. A.; Ponti Jr, M. P.; Mascarenhas, N. D. A., Combining
Methods to Stabilize and Increase Performance of Neural Network-Based Classifiers. In: Proceedings of SIBGRAPI 2005, XVIII Brazilian Symposium on Computer Graphics and Image Processing. Natal, Brazil: IEEE CS Press, 2005.
Publicação em Congresso (resumo): Breve, F. A.; Mascarenhas, N. D. A. Classificação de Imagens
Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores. Anais do III Congresso de Pós-Graduação - 6ª Jornada Científica da UFSCar. São Carlos, 2005.
Artigo Submetido para Periódico Internacional: Breve, F. A.; Ponti Jr, M. P.; Mascarenhas, N. D. A., Neural-Network
Combination for Noisy Data Classification. (submetido para Pattern Analysis and Applications)
![Page 46: Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores Fabricio Aparecido Breve Prof. Dr](https://reader036.vdocuments.site/reader036/viewer/2022062700/552fc176497959413d8ef8b6/html5/thumbnails/46.jpg)
Classificação de Imagens Tomográficas de Ciência dos Solos Utilizando Redes Neurais e Combinação de Classificadores
Fabricio Aparecido Breve
Prof. Dr. Nelson Delfino d’Ávila Mascarenhas