CLASSIFICAÇÃO DE IMAGENS COM PROCESSAMENTO REDUCIONAL DE DADOS EM MAPAS AUTO-ORGANIZÁVEIS

Biografia do Autor

• Fernando Ferreira Cunha, Universidade Presbiteriana Mackenzie - UPM
  O objetivo deste artigo é apresentar uma abordagem de redução da dimensão de imagens de conjuntos de dados (Datasets) com a preocupação de diminuir o percentual de perda do significado de cada amostra que decorre com a condensação de informações. Os resultados experimentais levam em consideração outras duas técnicas de representação de imagens com redução: Thumbnail e Histograma. A avaliação entre as técnicas apresentadas decorre da comparação entre a acurácia e o tempo despendido por três algoritmos de classificação, que são: k - Nearest Neighbours (kNN), Single Layer Neural Network (SLNN), Convolutional Neural Network (CNN). Como o processo de aprendizado de máquina é um constante ajuste em cima de uma base de dados de treinamento, quanto maior for a informação armazenada nessa base mais tempo decorre o processo de aprendizagem e maior é o poder computacional requerido. Nesse sentido que se insere a proposta do trabalho de representação de imagens utilizando Mapas Auto-Organizáveis (SOM - Self Organizing Maps), em que procura-se extrair características individualmente de cada dado utilizando filtros que calculam a distância correspondente entre porções de cada amostra e a respectiva área proporcional de um mapa de representação topológica de baixa dimensão de toda a base de dados (mapa de Kohonen), favorecendo dessa forma a diminuição do tamanho armazenado pelo Dataset e redução do tempo despendido para o treinamento e para a classificação de novos dados.