Análise de dois espaços de atributos a partir do uso de uma técnica de redução de dimensionalidade e de uma estratégia de detecção de anomalias em imagens de sensoriamento remoto
A redução de dimensionalidade é uma das transformações de dados mais usadas em pesquisas científicas. Ela desempenha um papel crítico na manutenção das propriedades significativas dos atributos dos dados enquanto transforma esses dados de um espaço de alta para um de baixa dimensão. Estudos anterior...
| Author: | |
|---|---|
| Format: | master thesis |
| Status: | Published version |
| Publication Date: | 2024 |
| Country: | Brasil |
| Institution: | Universidade Estadual Paulista (UNESP) |
| Repository: | Repositório Institucional da UNESP |
| Language: | Portuguese |
| OAI Identifier: | oai:repositorio.unesp.br:11449/259845 |
| Online Access: | https://hdl.handle.net/11449/259845 |
| Access Level: | Open access |
| Keyword: | Redução de dimensionalidade Detecção de anomalia Aprendizado de máquina Análise de imagem Sensoriamento remoto Dimensionality reduction Anomaly detection Machine learning Image analysis Remote sensing |
| Summary: | A redução de dimensionalidade é uma das transformações de dados mais usadas em pesquisas científicas. Ela desempenha um papel crítico na manutenção das propriedades significativas dos atributos dos dados enquanto transforma esses dados de um espaço de alta para um de baixa dimensão. Estudos anteriores, e.g., sobre análise de imagens, comparando dados desses dois espaços descobriram que, geralmente, qualquer estudo relacionado à detecção de anomalias pode alcançar resultados iguais ou semelhantes quando aplicado a ambos os espaços dimensionais. No entanto, não existem estudos que comparam diferenças nesses espaços dimensionais relacionadas à estratégia de detecção de anomalias baseada na Taxonomia de Kittler (ADS-KT, do inglês Anomaly Detection Strategy based on Kittler’s Taxonomy). Este estudo tem como objetivo investigar as diferenças entre os dois espaços dimensionais, quando a técnica redução de dimensionalidade Principal Components Analysis (PCA) está associada à ADS-KT durante a análise de uma imagem de satélite. A metodologia iniciou com a execução da fase inicial da ADSKT para criar o espaço de alta dimensão. Logo após, a técnica de redução de dimensionalidade PCA gerou o espaço de baixa dimensão, em que combinações desse espaço foram feitas. Algumas características foram extraídas desses espaços dimensionais e analisadas com base em gráficos. Por fim, as abordagens de aprendizado de máquina, de acordo com a ADS-KT, produziram resultados para esses espaços. No capítulo de resultados, as métricas e as análises que avaliaram os espaços dimensionais apresentaram comportamentos diferentes. Em geral, nenhum espaço de atributos foi capaz de gerar os resultados com a mesma intensidade e qualidade que aquele obtido no espaço de alta dimensão. Portanto, concluímos que a redução da dimensionalidade impacta diretamente na aplicação da ADS-KT. |
|---|