Dialectical non-supervised image classification

Santos, Wellington Pinheiro dos; Assis, Francisco de; Souza, Ricardo Emmanuel de; Mendes, Priscilla Batista; Monteiro, Henrique S. S.; Alves, Havana Diogo

doi:10.1109/cec.2009.4983252

Cited by 9 publications

(7 citation statements)

References 12 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…In order to guarantee the convergence of the dialectical classifier, we have removed the operator of pole generation, present at the revolutionary crises. Therefore we can guarantee that the number of poles at the end of the iterations is minor or equal to the initial number of poles [5,11,12,13,14,15,16,17].…”

Section: Objective Dialectical Classifiersmentioning

confidence: 99%

Fuzzy-based dialectical non-supervised image classification and clustering

Santos

Assis

Souza

et al. 2010

HIS

Self Cite

View full text Add to dashboard Cite

The materialist dialectical method is a philosophical investigative method to analyze aspects of reality. These aspects are viewed as complex processes composed by basic units named poles, which interact with each other. Dialectics has experienced considerable progress in the 19th century, with Hegel's dialectics and, in the 20th century, with the works of Marx, Engels, and Gramsci, in Philosophy and Economics. The movement of poles through their contradictions is viewed as a dynamic process with intertwined phases of evolution and revolutionary crisis. In order to build a computational process based on dialectics, the interaction between poles can be modeled using fuzzy membership functions.Based on this assumption, we introduce the Objective Dialectical Classifier (ODC), a non-supervised map for classification based on materialist dialectics and designed as an extension of fuzzy c-means classifier. As a case study, we used ODC to classify 181 magnetic resonance synthetic multispectral images composed by proton density, T 1 -and T 2 -weighted synthetic brain images. Comparing ODC to k-means, fuzzy c-means, and Kohonen's self-organized maps, concerning with image fidelity indexes as estimatives of quantization distortion, we proved that ODC can reach almost the same quantization performance as optimal non-supervised classifiers like Kohonen's self-organized maps.

show abstract

Section: Objective Dialectical Classifiersmentioning

confidence: 99%

Fuzzy-based dialectical non-supervised image classification and clustering

Santos

Assis

Souza

et al. 2010

HIS

Self Cite

View full text Add to dashboard Cite

show abstract

“…Diversos trabalhos mostram queé possível construir um algoritmo para classificação não supervisionada de imagens baseado no método dialético [1][2][3][4][5]. A principal vantagem dos assim chamados classificadores dialéticos objetivos está na possibilidade de se realizar uma classificação sem saber previamente o número real de classes presente na imagem [6,7], característica compartilhada com diversas redes neurais construtivas [8][9][10][11][12][13][14] e pelo método de agrupamento x-médias [15].…”

Section: Introductionunclassified

Avaliação do Método Dialético na Quantização de Imagens Multiespectrais

Santos¹,

Assis²

2010

L&NLM

View full text Add to dashboard Cite

Resumo -A classificação não supervisionada tem um papel muito importante na análise de imagens multiespectrais, dada a sua capacidade para auxiliar a extração de conhecimento a priori de imagens. Algoritmos como k-médias e fuzzy c-médias tem sido muito utilizados nessa tarefa. A Inteligência Computacional tem-se mostrado como um importante campo para auxiliar na construção de classificadores otimizados, tanto quantoà qualidade do agrupamento de classes, quantoà avaliação da qualidade da quantização vetorial. Diversos trabalhos têm mostrado que a Filosofia, em especial o Método Dialético, tem servido como importante inspiração para a construção de novos métodos computacionais. Este trabalho apresenta uma avaliação de quatro métodos baseados na Dialética: o Classificador Dialético Objetivo e o Método Dialético de Otimização adaptadoà construção de uma versão do k-médias otimizada segundoíndices de qualidade de agrupamento, cada um desses em uma versão canônica e em outra versão obtida pela aplicação do Princípio da Máxima Entropia. Esses métodos foram comparados aos métodos k-médias, fuzzy c-médias e mapa auto-organizado de Kohonen. Os resultados mostraram que os métodos baseados na Dialética são robustos ao ruído e podem atingir resultados de quantização tão bons quanto aqueles obtidos com o mapa de Kohonen, considerado um quantizadorótimo.Palavras-chave -Segmentação de imagens, k-médias, dialética, otimização, princípio da máxima entropia, computação evolucionária. Abstract -The unsupervised classification has a very important role in the analysis of multispectral images, given its ability to assist the extraction of a priori knowledge of images. Algorithms like k-means and fuzzy c-means has long been used in this task. Computational Intelligence has proven to be an important field to assist in building classifiers optimized according to the quality of the grouping of classes and the evaluation of the quality of vector quantization. Several studies have shown that Philosophy, especially the Dialectical Method, has served as an important inspiration for the construction of new computational methods. This paper presents an evaluation of four methods based on the Dialectics: the Objective Dialectical Classifier and the Dialectical Optimization Method adapted to build a version of k-means with optimal quality indices; each of them is presented in two versions: a canonical version and another version obtained by applying the Principle of Maximum Entropy. These methods were compared to k-means, fuzzy c-means and Kohonen's self-organizing maps. The results showed that the methods based on Dialectics are robust to noise, and quantization can achieve results as good as those obtained with the Kohonen map, considered an optimal quantizer. Keywords -Image segmentation, k-means, dialectics, optimization, principle of maximum entropy, evolutionary computation. IntroduçãoDiversos trabalhos mostram queé possível construir um algoritmo para classificação não supervisionada de imagens baseado no método dialético [1][2][3][4][5]....

show abstract

“…Estes dois processos fazem o sistema ter uma tendência à estabilidade [Santos , 2009], e são similares às mutações na programação evolutiva e sua função é incluir diversidade ao processo de busca.…”

Section: Método Dialético De Busca E Otimizaçãounclassified

“…Definições Básicas da Dialética [Santos , 2009] (a) Pólo: A unidade fundamental do sistema dialético que corresponde a uma solução candidata ao problema e está representado por um vetor de condições. Dado um conjunto de pólos Ω = {w 1 , w 2 , ....., w m }, cada polo w i é associado com um vetor de pesos definido como:…”

Section: Método Dialético De Busca E Otimizaçãounclassified

“…Embora o algoritmo dialético de otimização seja complexo na sua definição e com muitas iterações no processo (veja o fluxograma da Figura 2.8), possui a propriedade de ter um custo computacional decrescente [Santos e Assis , 2009], em cada fase histórica pois em cada uma delas o algoritmo está mais próximo de encontrar o valor mínimo, ou seja, as contradições entre os pólos diminuem, ficando mais perto uns dos outros permitindo que alguns pólos sejam eliminados, reduzindo assim o número de operações.…”

Section: Método Dialético De Busca E Otimizaçãounclassified

See 1 more Smart Citation

Algoritmos Evolutivos aplicados ao Classificador baseado em Segmentos de Reta

Rodríguez¹

View full text Add to dashboard Cite

During the past years, the use of machine learning techniques have become into one of the most frequently performed tasks, due to the large amount of pattern recognition applications such as: voice recognition, text classification, face recognition, medical image diagnosis, among others. Thus, a great number of techniques dealing with this kind of problem have been developed until now. In this work, we propose an alternative training algorithm to improve the accuracy of the SLS binary Classifier, which produces good results that can be compared to Support Vector Machines. In that classifier, the Gradient Descent method has been used to optimize the final positions of two sets of straight line segments that represent each class. Although, this method quickly converges to an optimum, it is possible that the algorithm stops at a local optimum region, which does not guarantee a global minimum. Given that problem, we combine evolutive optimization algorithms with the gradient descent method to improve the accuracy of the SLS Classifier. In addition to our proposal of using evolutive algorithms, we also developed two proposals: (i) we explore the use of different number of straight line segments to represent the data distribution. Since the original SLS classifier algorithm uses the same number of segments for each class, which could lead to a loss of accuracy or straight line segments overlapping. So, using different number of segments could be the way to improve the accuracy; (ii) estimate the best combination of straight line segments to represent each class. Finding an "optimal" combination, can be a very difficult problem, so we propose the X-Means algorithm to determine the number of segments. The proposed methodology showed good results which can be used to solve some other real problems with the SLS classifier using the proposed hybrid training algorithm.

show abstract

Dialectical non-supervised image classification

Cited by 9 publications

References 12 publications

Fuzzy-based dialectical non-supervised image classification and clustering

Fuzzy-based dialectical non-supervised image classification and clustering

Avaliação do Método Dialético na Quantização de Imagens Multiespectrais

Algoritmos Evolutivos aplicados ao Classificador baseado em Segmentos de Reta

Contact Info

Product

Resources

About