@MastersThesis{Sarmento:2014:AvMéSe,
author = "Sarmento, Peterson Lima",
title = "Avalia{\c{c}}{\~a}o de m{\'e}todos de sele{\c{c}}{\~a}o de
amostras para redu{\c{c}}{\~a}o do tempo de treinamento do
classificador SVM",
school = "Instituto Nacional de Pesquisas Espaciais (INPE)",
year = "2014",
address = "S{\~a}o Jos{\'e} dos Campos",
month = "2014-05-28",
keywords = "SVM, classifica{\c{c}}{\~a}o supervisionada,
multiedi{\c{c}}{\~a}o, condensa{\c{c}}{\~a}o, l{\'{\i}}der,
SVM, supervised classification, multiediting, condensing,
leader.",
abstract = "O classificador supervisionado M{\'a}quina de Vetores Suporte
(SVM, do ingl{\^e}s \emph{Support Vector Machine}), tem sido
utilizado em diferentes aplica{\c{c}}{\~o}es devido ao seu bom
desempenho. O SVM {\'e} um classificador supervisionado que, para
a constru{\c{c}}{\~a}o do modelo de classifica{\c{c}}{\~a}o,
utiliza basicamente os dados pr{\'o}ximos {\`a} fronteira de
separa{\c{c}}{\~a}o entre as classes no espa{\c{c}}o de
atributos. Uma desvantagem deste classificador {\'e} o aumento no
tempo de treinamento {\`a} medida que o tamanho do conjunto de
treinamento por classe aumenta. Este trabalho objetiva diminuir o
tempo de treinamento do SVM atrav{\'e}s da redu{\c{c}}{\~a}o no
tamanho do conjunto de treinamento, procurando manter a
acur{\'a}cia da classifica{\c{c}}{\~a}o. Para tanto, sete
t{\'e}cnicas de redu{\c{c}}{\~a}o, s{\~a}o avaliadas quanto ao
tempo de processamento e acur{\'a}cia da
classifica{\c{c}}{\~a}o. Foram realizados testes com imagens
sint{\'e}ticas e imagens reais obtidas de sensores {\'o}ticos
(IKONOS) e de radar (PALSAR). O treinamento realizado com o
conjunto de dados completos {\'e} utilizado como refer{\^e}ncia
para as compara{\c{c}}{\~o}es. Os resultados mostram que a
aplica{\c{c}}{\~a}o do algoritmo sequencial L{\'{\i}}der pode
ser uma op{\c{c}}{\~a}o para reduzir o conjunto de treinamento.
A melhor redu{\c{c}}{\~a}o de custo computacional foi de 85\%,
comparado com a classifica{\c{c}}{\~a}o utilizando o conjunto
completo de amostras de treinamento. A sele{\c{c}}{\~a}o
aleat{\'o}ria e o CNN mostraram excelentes resultados para
redu{\c{c}}{\~a}o do custo computacional, mas o Teste de
hip{\'o}tese aplicado n{\~a}o indica estas
aplica{\c{c}}{\~o}es para alguns casos. Desta forma a
aplica{\c{c}}{\~a}o fica a crit{\'e}rio do usu{\'a}rio.
ABSTRACT: The supervised classifier Support Vector Machine (SVM),
has been used in different applications due to its good
performance. The SVM is a supervised classifier that for building
the classification model uses basically near the decision boundary
the classes in the feature space data. A disadvantage of this
classifier is increased training time as the size of the training
set of class increases. The objective of this work is reduce the
SVM training time by reducing the size of the training set, trying
to maintain the accuracy of classification. For this, seven
reduction techniques are evaluated for processing time and
classification accuracy. These methods are tested on simulated
images as well as on real images (IKONOS and PALSAR). The results
show that the images applied to the leader sequence algorithm may
be an option to reduce the training set. The best computational
cost was reduced by 85\% compared to classification using the
full set. The random selection and CNN showed excellent results as
reducing the computational cost, but the hypothesis test applied
not indicate its application in some cases. This way the
application will be up to the user.",
committee = "Ramos, Fernando Manuel (presidente) and Dutra, Luciano Vieira
(orientador) and Sant'Anna, Sidnei Jo{\~a}o Siqueira and Korting,
Thales Sehn and Noma, Alexandre and Basgalupp, M{\'a}rcio Porto",
englishtitle = "Analysis of selection methods samples for reducing the time
training of the SVM classifier",
language = "pt",
pages = "126",
ibi = "8JMKD3MGP5W34M/3G8F49P",
url = "http://urlib.net/ibi/8JMKD3MGP5W34M/3G8F49P",
targetfile = "publicacao.pdf",
urlaccessdate = "27 abr. 2024"
}