Navegando por Assunto "Classification"

Agora exibindo 1 - 3 de 3

Acesso aberto (Open Access)
Classificação fonética utilizando Boosting e SVM
(Universidade Federal do Pará, 2006-02-17) TEIXEIRA JÚNIOR, Talisman Cláudio de Queiroz; PELAES, Evaldo Gonçalves; http://lattes.cnpq.br/0255430734381362; KLAUTAU JÚNIOR, Aldebaro Barreto da Rocha; http://lattes.cnpq.br/1596629769697284
Para compor um sistema de Reconhecimento Automático de Voz, pode ser utilizada uma tarefa chamada Classificação Fonética, onde a partir de uma amostra de voz decide-se qual fonema foi emitido por um interlocutor. Para facilitar a classificação e realçar as características mais marcantes dos fonemas, normalmente, as amostras de voz são pré- processadas através de um fronl-en'L Um fron:-end, geralmente, extrai um conjunto de parâmetros para cada amostra de voz. Após este processamento, estes parâmetros são insendos em um algoritmo classificador que (já devidamente treinado) procurará decidir qual o fonema emitido. Existe uma tendência de que quanto maior a quantidade de parâmetros utilizados no sistema, melhor será a taxa de acertos na classificação. A contrapartida para esta tendência é o maior custo computacional envolvido. A técnica de Seleção de Parâmetros tem como função mostrar quais os parâmetros mais relevantes (ou mais utilizados) em uma tarefa de classificação, possibilitando, assim, descobrir quais os parâmetros redundantes, que trazem pouca (ou nenhuma) contribuição à tarefa de classificação. A proposta deste trabalho é aplicar o classificador SVM à classificação fonética, utilizando a base de dados TIMIT, e descobrir os parâmetros mais relevantes na classificação, aplicando a técnica Boosting de Seleção de Parâmetros.
Acesso aberto (Open Access)
Metodologia para a classificação automática de doenças em plantas utilizando redes neurais convolucionais.
(Universidade Federal do Pará, 2019-11-07) REZENDE, Vanessa Castro; OLIVEIRA, Roberto Célio Limão de; http://lattes.cnpq.br/4497607460894318; SANTOS, Adam Dreyton Ferreira dos; http://lattes.cnpq.br/2616572481839756
As redes neurais convolucionais (CNNs) são uma das técnicas de aprendizado profundo que, devido ao avanço computacional dos últimos anos, alavancaram a área de visão computacional ao possibilitar ganhos substanciais nos mais variados problemas de classificação, principalmente aqueles que envolvem imagens digitais. Tendo em vista as vantagens na utilização dessas redes, diversas aplicações para a identificação automática de doenças de plantas foram desenvolvidas para assistência especializada ou ferramentas de triagem automática, contribuindo para práticas agrícolas mais sustentáveis e maior segurança na produção de alimentos. Nesse contexto, este trabalho tem como objetivo propor uma metodologia para a classificação de múltiplas patologias referentes a diversas espécies de plantas tendo como insumo uma base de dados composta de imagens digitais de doenças em plantas. Inicialmente, esta metodologia envolveu etapas de tratamento das imagens da base de dados de doenças em plantas para possibilitar que estivessem aptas a serem entradas dos modelos de CNNs selecionados (VGG16, RestNet101v1, ResNet101v2, ResNetXt50 e DenseNet169), assim como para geração de dez novas bases, variando entre 50 e 66 classes com maior representatividade, com o intuito de submeter os modelos a situações diversas. Após o treinamento dos modelos, um estudo comparativo foi conduzido com base em métricas de classificação amplamente utilizadas, como acurácia no teste, f1-score e área sob a curva. A fim de atestar a significância dos resultados obtidos, foi realizado o teste estatístico não-paramétrico de Friedman e dois procedimentos post-hoc, que demonstraram que ResNetXt50 e DenseNet169 obtiveram resultados superiores quando comparadas com VGG16 e ResNets.
Acesso aberto (Open Access)
Modelo Híbrido Inception-XGB para Discriminação de Padrões Artefatuais em Eletroencefalografia de Pacientes com Epilepsia
(Universidade Federal do Pará, 2022-03-28) SILVA, Arthur Gonsales da; ROCHA, Fernando Allan de Farias; http://lattes.cnpq.br/3882851981484245; https://orcid.org/0000-0002-6148-1050; DUARTE, Bruno Gomes; http://lattes.cnpq.br/9683781944622076; https://orcid.org/0000-0003-3995-3696; PEREIRA JÚNIOR, Antônio; SOUZA, Givago da Silva; http://lattes.cnpq.br/1402289786010170; http://lattes.cnpq.br/5705421011644718; https://orcid.org/0000-0002-0808-1058; https://orcid.org/0000-0002-4525-3971
O objetivo deste trabalho foi comparar o desempenho de diferentes algoritmos de aprendizado de máquina em uma tarefa de classificação de quatro tipos de padrões artefatuaiscomumente encontrados em registros de Eletroencefalografia (EEG). Os padrões foramprocessados usando uma Rede Neural Convolucional (CNN) do tipo Inception. Foram usados registros de pacientes portadores de Epilepsia de uma base pública de dados. Um total de 200 pacientes participaram do estudo, sendo 100 homens e 100 mulheres, comidades e comorbidades associadas variadas. Na engenharia de dados nós utilizamos a Transformada de Hilbert-Huang (HHT) para extração de potência e fase instantâneas de amostras correspondendo à 1 segundo de registro cada, distribuídas em quatro classes de padrões artefatuais. Sendo estas: a) movimento ocular, b) movimento muscular, c) ruído eletrostático, e d) tremores musculares. As amostras bidimensionais compostas por potência e fase foram processadas pela arquitetura Inception, reduzidas à um vetor unidimensional e então alimentaram quatro diferentes algoritmos de aprendizado de máquina, sendo estes: a) Extreme Gradient Boosting (XGB), b) Random Forest Classifier (RFC), c) K-Neighbors Classifier (k-NN) e d) Logistic Regression (LR). A média das acurácias de cada modelo, por instancia de treinamento (fold), foi comparada através do teste estatístico ANOVA, para verificar diferenças estatísticas entre os modelos. Os resultados mostraram que o algoritmo XGB obteve melhor performance, com acurácia de 94.82% aproximadamente 13% mais preciso que o modelo linha de base, que teve acurácia de 83.97% quando treinado nos dados brutos. Foi estabelecido assim um modelo final híbrido Inception-XGB inédito, em conjunto com um eficiente processo de extração de características.