Search

The rising volume of data and its high complexity has brought the need of developing increasingly efficient knowledge extraction techniques, which demands efficiency both in computational cost and in accuracy. Most of problems that are handled by these techniques has complex information to be identified. So, machine learning methods are frequently used, where a variety of functions can be applied in the different steps that are employed in their architecture. One of them is the use of aggregation functions aiming at resizing images. In this context, we introduce a study of aggregation functions based on the Choquet integral, whose main characteristic in comparison with other aggregation functions is that it considers, through fuzzy measure, the interaction between the elements to be aggregated. Thus, our main goal is to present an evaluation study of the performance of the standard Choquet integral the and copula-based generalization of the Choquet integral in relation to the maximum and mean functions, looking for results that may be better than the aggregation functions commonly applied. The results of such comparisons are promising, when evaluated through image quality metrics. The authors Camila Dias and Jessica Bueno thank CAPES for the financial support received. Gracaliz P. Dimuro has funding from CNPq/Brazil (process number 305882/20163). Eduardo N. Borges has funding from FAPERGS (TO 17/2551-0000872-3). Humberto Bustince is supported by the Spanish Ministry of Science and Technology (under project TIN2016-77356-P (AEI/FEDER, UE)).

A classificação das imagens é um dos problemas mais estudados na área da visão computacional. Alguns dos problemas enfrentados nesse contexto são, por exemplo, a caracterização de padrões de imagens para distinguir espécies naturais, classificação de dados coletados, que em geral envolvem informações complexas a serem identificadas, exigindo recursos como, por exemplo, ferramentas de aprendizado de máquina, como Convolutional Neural Networks (CNNs) e Deep Learning Networks (DLNs). Esta dissertação de mestrado explora o uso de funções de fusão inspiradas na integral de Choquet na camada de pooling da arquitetura da CNN, apresentando um objetivo geral de duas vias. Primeiramente, estudamos a aplicação de funções de (pré) agregação baseadas nas generalizações da integral de Choquet na redução dimensional da imagem, simulando a camada de pooling de um DLN, comparando tais funções com as usuais utilizadas na literatura (as funções aritméticas máximo e média). A avaliação quantitativa foi feita sobre um conjunto de dados de imagem usando diferentes medidas de qualidade de imagem para comparar os resultados. A segunda parte da dissertação é destinada a introduzir uma função de fusão inspirada na integral de Choquet para a camada de pooling da DLN, definida por uma função de capacidade que é aprendida pela própria rede. Utilizando o CifarNet (uma arquitetura simples para classificar objetos), analisamos a abordagem proposta na classificação das imagens. Os resultados são comparados com os obtidos quando se usa o máximo na camada de pooling. The image classification is one of the most studied problems in the area of computational vision. Some of the problems faced in this context are, for example, the characterization of images patterns to distinguish natural species, classification of collected data, which in general involves complex information to be identified, requiring resources as, e.g., machine learning tools, such as Convolutional Neural Networks (CNNs) and Deep Learning Networks (DLNs). This Master\'s dissertation explores the use of fusion functions inspired on the Choquet integral in the pooling layer of CNN architecture, presenting a two-folded general objective. First, we study the application of (pre) aggregation functions based on the generalizations of the Choquet integral in image dimensional reduction, simulating the pooling layer of a DLN, comparing such functions with the usual ones used in the literature (the maximum and arithmetic mean). A quantitative evaluation was done over an image dataset by using different image quality measures to compare the results. The second part of the dissertation is aimed to introduce a fusion function inspired in the Choquet integral for DLN pooling layer, defined by a capacity-like function which is learned by the own model. Using CifarNet (a simple architecture for classifying objects), we analyse the proposed approach in the image classification. The results are compared with the ones obtained when using the maximum in the pooling layer.

O objetivo deste trabalho é propor o uso de funções de (pré)-agregação derivados da integral de Choquet, para utilização em conjuntos de Sistemas de Classificação baseados em Regras Fuzzy, cuja tomada de decisão final pode ou não ser dada por funções de penalidade. Primeiramente, foi introduzido um método para criar medidas de confiança e suporte baseado em índices de overlap, que geralmente são usados para avaliar o grau de certeza ou interesse de uma determinada regra de associação. Estes índices de overlap são construídos a partir de funções de overlap, que são um tipo especial de funções de agregação, não necessariamente associativas, que servem para aplicações relacionadas aos problemas de sobreposição de conjuntos. Esta dissertação apresenta um novo Mecanismo de Raciocínio Fuzzy para ser usado em sistemas de classificação baseados em regras fuzzy considerando diferentes índices de overlap, que generaliza os métodos clássicos. Ao considerar vários índices de overlap e as funções de pré-agregação baseada na integral de Choquet para a tomada de decisão obtém-se a seleção da melhor classe, sem utilizar funções de penalidade. Por fim, é apresentado um exemplo detalhado de uma geração de conjuntos baseados em regras fuzzy e a seleção da melhor classe com base na abordagem proposta. The purpose of this work is to offer the use of (pre)-aggregation functions derived from the Choquet integral, for use in Classification Systems based on Fuzzy Rules, whose final decision may or may not be given by penalty functions. Firstly, a method was introduced to create trust and support measures based on overlap indexes, which are generally used to evaluate the degree of certainty or interest of a given association rule. These overlap indices are built from overlap functions, which are a special type of aggregation functions, not necessarily associative, that serve for applications related to set overlapping problems. This dissertation presents a new Fuzzy Reasoning Mechanism to be used in classification systems based on fuzzy rules considering different indexes of overlap, which generalizes the classical methods. Considering several indexes of overlap and the pre-aggregation functions based on the Choquet integral for decision making, one obtains the best class selection without using penalty functions. Finally, a detailed example of a generation of sets based on fuzzy rules and the selection of the best class based on the proposed approach is presented.