Título: Machine Learning for Incomplete Data

Data: 06/11/2017 Horário: 15h Local: Sala de Seminários - Bloco 952

Resumo:

Muitos problemas de visão computacional encontram solução em métodos de reconhecimento de textura. Problemas como análise de imagens de satélite, inspeção industrial, diagnóstico médico por imagens, reconhecimento de faces exemplificam aplicações em que podem ser utilizadas técnicas de classificação de textura. Dentre os diferentes métodos de extração de característica está o Padrão Binário Local (LBP), que tem se destacado nos últimos anos e possui diversas variantes direcionadas à solução de diferentes tipos de problemas. No contexto do nordeste brasileiro, aplicações de classificação de textura encontram potencial utilidade na indústria de couro caprino, onde a classificação da qualidade das peças de couro é feita manualmente e de maneira subjetiva. Neste cenário, a automatização da classificação pode ajudar a padronizar o processo de identificação da qualidade de couro, tornando a tarefa mais ágil e objetiva. Neste sentido, este trabalho apresenta os resultados da aplicação dos métodos mais tradicionais de Padrões Binários Locais (LBP) para extração de características de imagens de couro caprino, verificando a viabilidade para a classificação de sete classes de qualidade. Na proposta, diferentes parâmetros de extração são testados e combinações de extratores LBP são usadas com o objetivo de se obter a melhor configuração de extração necessária para a solução do problema. A análise inclui ainda uma comparação entre o KNN e o SVM para a realização da classificação.

Banca:

• Prof. Dr. João Fernando Lima Alcântara (MDCC/UFC - Orientador)
• Prof. Dr. João Paulo Pordeus Gomes (MDCC/UFC - Coorientador)
• Prof. Dr. Francesco Corona (UFC)