Implementação de um Modelo Bag of Features para Classificação de Frutas

Guilherme Henrique Galelli Christmann, Fabrício Julian Carini Montenegro, Ricardo Bedin Grando, Rodrigo da Silva Guerra

Resumo


Este trabalho explora uma técnica clássica de visão computacional, o modelo de Bag of Features, em um problema de classificação de frutas e vegetais. Há uma tendência crescente no uso de técnicas de Redes Neurais e Deep Learning aplicadas na automatização de processos e sistemas. Esse trabalho vai contra essa tendência, examinando o desempenho de um modelo de Machine Learning (ML) mais simples. Para tal, definimos dois cenários, um em que o ambiente é controlado com apenas diferenças de iluminação e posições dos objetos e, outro, com imagens mais desafiadoras, com maior presença de ruído no background. Mostramos que apesar de existir uma clara tendência ao uso de modelos complexos de ML, técnicas mais simples continuam relevantes em certos cenários.


Palavras-chave


Ciência da Computação; Machine Learning; Visão Computacional; Frutas e Vegetais

Texto completo:

PDF

Referências


Awrangjeb, M., Lu, G., and Fraser, C. S. (2012). Performance comparisons of contour-based corner detectors.IEEE Transactions on Image Processing, 21(9):4167–4179.

Caruana, R. and Niculescu-Mizil, A. (2006). An empirical comparison of supervisedlearning algorithms. InProceedings of the 23rd international conference on Machinelearning, pages 161–168. ACM.

Cortes, C. and Vapnik, V. (1995). Support-vector networks.Machine learning, 20(3):273–297.

Csurka, G., Dance, C., Fan, L., Willamowski, J., and Bray, C. (2004). Visual categoriza-tion with bags of keypoints. InWorkshop on statistical learning in computer vision,ECCV, volume 1, pages 1–2. Prague.

Dalal, N. and Triggs, B. (2005). Histograms of oriented gradients for human detection. InComputer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer SocietyConference on, volume 1, pages 886–893. IEEE.

Duda, R. O., Hart, P. E., and Stork, D. G. (2012).Pattern classification. John Wiley &Sons.

LeCun, Y., Bengio, Y., and Hinton, G. (2015). Deep learning.Nature, 521(7553):436–444.

Lowe, D. G. (1999). Object recognition from local scale-invariant features. InCom-puter vision, 1999. The proceedings of the seventh IEEE international conference on,volume 2, pages 1150–1157. Ieee.

Minaee, S., Wang, S., Wang, Y., Chung, S., Wang, X., Fieremans, E., Flanagan, S., Rath,J., and Lui, Y. W. (2017). Identifying mild traumatic brain injury patients from MRimages using bag of visual words.CoRR, abs/1710.06824.

Rocha, Anderson; Hauagge, D. C. W. J. G. S. (2010).Fruits/vegetablesimage data set collected on our local fruits and vegetables distribution cen-ter (ceasa).http://www.ic.unicamp.br/ ̃rocha/pub/downloads/tropical-fruits-DB-1024x768.tar.gz. Accessed: 2017-11-21.

Rui, Y., Huang, T. S., and Chang, S.-F. (1999). Image retrieval: Current techniques,promising directions, and open issues.Journal of visual communication and imagerepresentation, 10(1):39–62.

Sebastiani, F. (2002). Machine learning in automated text categorization.ACM computingsurveys (CSUR), 34(1):1–47.

Zhang, Y., Wang, S., Ji, G., and Phillips, P. (2014). Fruit classification using computervision and feedforward neural network.Journal of Food Engineering, 143:167 – 177.




DOI: http://dx.doi.org/10.5902/2448190430228

Apontamentos

  • Não há apontamentos.