@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"
}