Defesa de Mestrado de Sandro Luiz Lopes Tinoco; dia 09/09/2013, as 10:00, Sala de Seminários.

Defesa de Mestrado de Sandro Luiz Lopes Tinoco; dia 09/09/2013, as 10:00, Sala de Seminários.

Título: Análise de Combinação de Classificadores usando uma Abordagem Multiobjetivo: baseada em Acurácia e Número de Classificadores.

Banca: Prof. Dr. David Menotti Gomes; Prof. Dr. Guillermo Cámara-Chávez; Prof. Dr. Haroldo Gambini Santos; Prof. Dr. Gladston Juliano Prates; Prof. Dr. Jefferson Alexandre dos Santos.

Resumo: spaço, com a finalidade de melhorar a gestão dos recursos naturais, o uso da terra e a
proteção do meio ambiente. Esse campo do conhecimento tem se beneficiado dos diversos avanços tecnológicos dentre os quais pode ser citada a imagem hiperespectral. Este tipo de imagem é composto por centenas de bandas, cada uma delas correspondendo a uma determinada faixa do espectro eletromagnético. Pode-se perceber a riqueza de informação que tal imagem pode fornecer, conduzindo a uma análise mais precisa. No entanto, para tratar esse volume de informações, tanto em qualidade quanto em quantidade, e necessária a utilização de algoritmos e métodos que consigam extrair toda a informação fornecida. Uma tarefa comum na análise desses dados é a geração de mapas temáticos a partir da classificação da cobertura terrestre. Tradicionalmente, procura-se desenvolver diferentes algoritmos de classificação e depois aquele que apresenta o melhor desempenho, ou seja maior acurácia, é escolhido. Este tipo de metodologia pode acarretar em perdas de importantes informações contidas nos classificadores descartados.
Uma forma de se evitar isso, que tem sido bastante estudada e utilizada atualmente, é a combinação de múltiplas abordagens de classificação e a consequente produção de mapas temáticos mais precisos. No presente trabalho, é feita a combinação de doze abordagens de classificação, obtidas usando três representações de dados e quatro algoritmos de aprendizagem diferentes. As representações de dados usadas são a Pixelwise, Extended Morphological Profiles (EMP) e Feature Extraction by Genetic Algorithms (FEGA), que foram classificadas com os algoritmos de aprendizagem Support Vector Machines (SVM) com kernel Radial Basis Function (RBF) e kernel Linear, K-Nearest Neighbor (KNN) e Multilayer Perceptron Neural Network (MLP). O método de combinação proposto é baseado em uma combinação linear ponderada, em que um Programação Linear (PL) encontra os pesos para cada abordagem de classificação utilizada e é denominado Weighted Linear Combination optimized by Linear Programming (WLC-LP). Para analisar os resultados obtidos, o método proposto foi comparado a outros métodos de combinação
como o Weighted Linear Combination optimized by Genetic Algorithm (WLC-GA) e,oa tradicionais, como Majority Vote (MV) e Average Rule. O WLC-LP superou os resultados dos métodos MV e Average Rule e obteve resultados similares ao WLC-GA, porém, dez vezes mais rápido que este. Uma questão ainda em aberto está relacionada a quantos e quais classificadores de um conjunto utilizar, de forma a obter uma acurácia mais precisa. Não se sabe ao certo o que faz uma combinação produzir resultados, ainda que não seja sempre garantido, melhores do que um único classificador. Alguns autores apontam a diversidade de um conjunto como fator principal de êxito de um combinador, no entanto, não existe uma definição formal, amplamente aceita do que seja diversidade. Uma vez que é desejável produzir melhores acurácias utilizando o menor número de
classificadores possível, um Algoritmo Genético Multiobjetivo apresenta-se como meio adequado para realização desta tarefa. Assim, uma análise e seleção ótima de abordagens a serem combinadas por meio de um Algoritmo Genético Multiobjetivo é proposta neste trabalho, no domínio de imagens hiperespectrais. Ressalta-se que, até o momento, não foi encontrado na literatura, o emprego desta técnica em classificação de imagens hiperespectrais de sensoriamento remoto.