Search

Submitted by Mario BC (mario@bc.ufrpe.br) on 2022-03-30T13:10:24Z No. of bitstreams: 1 Felipe Victor de Sa Oliveira.pdf: 2029113 bytes, checksum: c3a04b74935beb6840ac5e60dc9608ce (MD5) Made available in DSpace on 2022-03-30T13:10:24Z (GMT). No. of bitstreams: 1 Felipe Victor de Sa Oliveira.pdf: 2029113 bytes, checksum: c3a04b74935beb6840ac5e60dc9608ce (MD5) Previous issue date: 2019-02-28 Breast cancer has been a growing problem for women all over the world. The correct interpretation of mamographic images is important for the diagnosis of breast cancer. However, this is a difficult task even for a specialist. Image processing is used to make the diagnosis less susceptible to errors. In this way, the present work proposes a new method for the selection of candidates for mass in mammography images, using algorithms to detect points of interest for the generation of the candidates. The behavior of SURF, SIFT, BRISK and ORB was analyzed. Furthermore, to prove the efficiency of the approach, the proposed method was compared with the algorithms EdgeBoxes, Rahtu, RandomPrim, Rantalankila, MCG and SelectiveSearch. We used 1210 mammography images acquired from the CBIS-DDSM database. Results showed that the proposed method, based on SURF algorithm presented the best performance, generating on average, for each image, 4.11 of considered candidates in the internal mass area and 10.20 candidates with threshold of IoU > 0.5 and reduction of exploratory space in 72%. Additionally, it was possible to obtain the best accuracy rate in location of masses, between the compared techniques, with 98.13% on average, best rate of medium accuracy with 0,34 mAP and lower execution cost, taking to only 0.001 seconds to generate each mass candidate. O câncer de mama tem sido um problema crescente para as mulheres em todo o mundo. A correta interpretação de imagens mamográficas é importante para obtenção do diagnóstico do câncer de mama. Porém, esta é uma tarefa difícil até mesmo para um especialista. O processamento de imagens é utilizado para tornar o diagnóstico menos suscetível a erros. Desta forma, o presente trabalho propõe um novo método para seleção de candidatos à lesão em imagens mamográficas, baseado na utilização de algoritmos de detecção de pontos de interesse para geração dos candidatos. Foi analisado o comportamento dos algoritmos SURF, SIFT, BRISK e ORB. Ainda, para comprovar a eficiência da abordagem, o método proposto foi comparado aos algoritmos de propostas de objetos EdgeBoxes, Rahtu, RandomPrim, Rantalankila, MCG e SelectiveSearch. Foram utilizadas 1210 imagens de mamografia adquiridas da base CBIS-DDSM. Resultados mostram que o método proposto com base no algoritmo SURF apresentou melhores desempenhos, gerando em média, para cada imagem, 4,11 candidatos considerados na área interna da lesão e 10,20 candidatos com limiar de IoU > 0.5 e redução do espaço exploratório em 72%. Além disso, foi possível obter a melhor taxa de precisão em localização das lesões entre as técnicas comparadas, com 98,13% em média, melhor taxa de precisão média com mAP de 0,34 e menor custo de execução, levando apenas 0,001 segundo para geração de cada candidato à lesão.

Submitted by Mario BC (mario@bc.ufrpe.br) on 2019-02-19T14:56:02Z No. of bitstreams: 1 Sergio Fernandovitch Chevtchenko.pdf: 6596773 bytes, checksum: 07a4b87a297c9b98bec9f4327a416065 (MD5) Made available in DSpace on 2019-02-19T14:56:02Z (GMT). No. of bitstreams: 1 Sergio Fernandovitch Chevtchenko.pdf: 6596773 bytes, checksum: 07a4b87a297c9b98bec9f4327a416065 (MD5) Previous issue date: 2018-07-06 Gesture based human-computer interaction is both intuitive and versatile, with diverse applications such as in smart houses, operating theaters and vehicle infotainment systems. This work focuses on recognition of static hand gestures, also known as hand postures. A good hand posture recognition system has to be both robust to image variations and capable of real-time performance. Considering the recent success of convolutional neural networks (CNNs) and robustness of more traditional methods, this dissertation presents a novel architecture, combining a CNN and several traditional feature extractors, capable of accurate and real-time hand posture recognition. Several hyperparameters present in the proposed architecture are automatically selected by a model optimization algorithm. The traditional features are extracted from Zernike moments, Hu moments, Gabor filters and properties of the hand contour. This features are used to complement the information available to the classification layer of a CNN. Besides the proposed architecture, recent convolutional neural networks are evaluated on three distinct benchmarking datasets. This datasets are further divided in depth, binary and grayscale subsets in order to investigate the influence of image representation on recognition accuracy. Furthermore, architectures are compared in terms of speed and accuracy using rescaling with and without preserving aspect ratio and two common validation techniques: holdout and leave-one-subject-out. The proposed architecture is shown to obtain state-of-the art recognition rate in realtime, while being robust to different image representations and scalings. A recognition improvement of 5.93% on current best model is achieved on an RGBD dataset containing 81,000 images of 27 hand postures. A demo video is provided as supplementary material, containing real-time recognition by the proposed network of up to 27 gestures at 30 fps from a 3D camera. O uso de gestos de mão é uma maneira intuitiva e versátil para humanos interagirem com computadores. Este trabalho tem como foco o reconhecimento de gestos estáticos, também conhecidos como posturas de mão. Um bom sistema de reconhecimento de gestos deve suportar variações na imagem, como de escala, iluminação e rotação, além de ser capaz de funcionar em tempo real. Considerando o sucesso recente de redes neurais convolutivas e robustez de técnicas tradicionais, esta dissertação apresenta uma nova arquitetura baseada em redes convolutivas para reconhecimento de gestos com acurácia e em tempo real. A arquitetura proposta combina redes convolutivas com descritores de características tradicionais. Os hiperparâmetros que descrevem esta nova rede são selecionados de forma automática usando um algoritmo de otimização. As características tradicionais são extraídas da imagem usando momentos de Zernike, momentos de Hu, filtros de Gabor e propriedades de contorno da mão. Estas características são usadas para complementar o conjunto de informações disponível para a camada de classificação da rede convolutiva. A arquitetura proposta é comparada com modelos de redes convolutivas propostos recentemente. Para isso são usadas três bases de dados de gestos estáticos de mão. Para verificar como a representação da imagem pode influenciar nos classificadores considerados nesse trabalho, as bases de dados são subdivididas em representações por profundidade, escala de cinza e binárias. Além disso, as arquiteturas são comparadas em termos de velocidade e acurácia de classificação, usando reescalonamento com e sem preservação de aspect ratio e dois métodos de validação comumente empregados no contexto de reconhecimento de gestos: holdout e leave-one-subject-out. É demonstrado experimentalmente que a arquitetura proposta supera o estado da arte com reconhecimento de gestos em tempo real, sendo robusta em diferentes representações e escalas da imagem. Foi registrada uma melhora de até 5.93% em comparação ao melhor modelo existente em uma base de dados RGBD com 81,000 imagens e 27 classes de gestos. Além disso, é disponibilizado um vídeo demostrando reconhecimento em tempo real de até 27 gestos estáticos de mão a 30 quadros por segundo, usando uma câmera 3D.