| Summary: | Submitted by Pedro Barros (pedro.silvabarros@ufpe.br) on 2018-08-03T18:43:16Z
No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
TESE Elias Rodrigues da Silva Júnior.pdf: 8422560 bytes, checksum: c5e4839cea4403e06669bc36217494c9 (MD5) === Approved for entry into archive by Alice Araujo (alice.caraujo@ufpe.br) on 2018-08-09T17:19:08Z (GMT) No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
TESE Elias Rodrigues da Silva Júnior.pdf: 8422560 bytes, checksum: c5e4839cea4403e06669bc36217494c9 (MD5) === Made available in DSpace on 2018-08-09T17:19:08Z (GMT). No. of bitstreams: 2
license_rdf: 811 bytes, checksum: e39d27027a6cc9cb039ad269a5db8e34 (MD5)
TESE Elias Rodrigues da Silva Júnior.pdf: 8422560 bytes, checksum: c5e4839cea4403e06669bc36217494c9 (MD5)
Previous issue date: 2016-02-23 === CAPES === Técnicas de Extração de Características (TECs) clássicas não consideram a possibilidade dos padrões se dispersarem segundo distribuição multimodal. A falta de percepção quanto a esse tipo de comportamento frequentemente conduz a reduções de dimensionalidade para espaços que não preservam a multimodalidade. A não preservação da estrutura multimodal intraclasse implica na sobreposição entre suas modas, o que pode degradar o desempenho de classificação sobre essa classe. Encontra-se na literatura TECs que buscam por reduções dimensionais que minimizam as alterações nas relações métricas entre os padrões nesse novo espaço. Contudo, a realização desse objetivo não é suficiente para garantir a preservação da multimodalidade. Além disso, não foi encontrada na literatura TEC que avalie a dispersão dos padrões da classe e, em caso de multimodalidade, obtenha redução que preserve ao máximo esse comportamento. Uma possível razão para essa ausência é a complexidade associada a determinação da ocorrência de multimodalidade, principalmente em espaços multidimensionais. Estimar a multimodalidade em uma dispersão de padrões envolve questões como determinar: o número de modas na dispersão, a função de distribuição que cada moda segue, se a mistura dessas funções apresenta comportamento multimodal e quão evidente é esse comportamento. Na literatura, vários autores estimam multimodalidade através de reduções no escopo dessa tarefa, como restrições a: cenários bimodais e distribuições Normais. Adicionalmente, a restrição a espaços unidimensionais é comum a todas as técnicas de estimativa de multimodalidade encontradas. Desse modo, este trabalho apresenta uma metodologia para o desenvolvimento de TECs que buscam preservar o comportamento multimodal da dispersão dos padrões intraclasse. Para isso, são encontradas as direções ortogonais com maiores evidências de preservar o comportamento multimodal original. Essas direções são utilizadas como os vetores de base de espaços de redução dimensional que preservam ao máximo esse comportamento. Através dessa metodologia são propostas três TECs: Class-dependent Multimodal Decomposition (CdMD), Class-dependent Conditional Multimodal Decomposition (CdCMD) e Class-dependent Conditional Detachment of Modes (CdCDM). Essas TECs estendem Multimodal Decomposition (MD), que é uma TEC proposta para realizar a decomposição espacial orientada pela multimodalidade. Essas decomposições estão associadas a valores de estimativa de multimodalidade, os quais são obtidos com a métrica proposta, denominada Index of Area-based Normal Intersection (IANI). Os resultados experimentais mostram que IANI obteve sucesso em estimar a multimodalidade mesmo em cenários com acentuado desbalanceamento entre as modas. Isso contribuiu para MD obter desempenho superior ao PCA e LPP. Além disso, os maiores valores médios de desempenho em cenários de classificação foram alcançados com CdMD, CdCMD e CdCDM. === Classical Feature Extraction Techniques (FETs) do not consider the possibility of patterns scattered following multimodal distribution. No perception about this kind of behavior often leads to dimensionality reductions spaces that do not preserve multimodality. Do not preserve within-class multimodal structure implies overlap between classes modes, which can degrade performance classification over the class. There is in literature FETs that seek for dimensionality reductions which minimize the changes in metric relations between the patterns inside the new space. However, perform this goal is not enough to ensure preservation of multimodality. Besides that, there was not found in literature FET that evaluates scattering of class patterns and, in case of multimodality, it reaches reduction that preserve this behavior at most. A possible reason for this absence is related with the complexity to determine the occurrence of multimodality, mainly in multidimensional spaces. Estimate multimodality in a patterns scattering involves questions like determine: the number of modes in the scattering, the distribution function that each mode follows, if the mixture of these functions present multimodal behavior and how evident is this behavior. In literatura, many authors estimate multimodality through scope reductions of this task, like restrictions to: bimodal scenarios and Normal distributions. Additionally, the restriction to unidimensional spaces is common to all multimodal estimation techniques that were found. Thereby, this work presents a methodology to develop FETs that aim to preserve the multimodal behavior of within-class scattering of patterns. For this, the orthogonal directions with more evidence to preserve the original multimodal behavior are found. These directions are used as basis vectors of dimensional reduction spaces that preserve this behavior at most. Using this methodology, three FETs are proposed: TECs: Class-dependent Multimodal Decomposition, Class-dependent Conditional Multimodal Decomposition and Class-dependent Conditional Detachment of Modes. These FETs extend Multimodal Decomposition, an FET proposed to perform the spatial decomposition driven by multimodality. These decompositions are associated with multimodal estimation values, which are achieved with a proposed metric, called Index of Area-based Normal Intersection. Experimental results show IANI was well succeed in estimating multimodality even at scenarios with large unbalance between modes. This contributed to MD reach superior performances than PCA and LPP. Furthermore, the largest average values of performance for classification scenarios were achieved with CdMD, CdCMD e CdCDM.
|
|---|
