Defesa de Doutorado de Pedro Ribeiro Mendes Júnior

Título do Trabalho
Open-set recognition for different classifiers
Candidato(a)
Pedro Ribeiro Mendes Júnior
Nível
Doutorado
Data
Add to Calender 2018-09-14 00:00:00 2018-09-14 00:00:00 Defesa de Doutorado de Pedro Ribeiro Mendes Júnior Open-set recognition for different classifiers Auditório do IC 2 - Sala 85 INSTITUTO DE COMPUTAÇÃO mauroesc@ic.unicamp.br America/Sao_Paulo public
Horário
14h00
Local
Auditório do IC 2 - Sala 85
Orientador(a)
Anderson de Rezende Rocha
Banca Examinadora

Titulares  - Professores Doutores

Unidade/Instituição

Anderson de Rezende Rocha

IC/UNICAMP

Roberto Hirata Junior

IME/USP

André Carlos Ponce de Leon Ferreira de Carvalho

ICMC/USP

Hélio Pedrini

IC/UNICAMP

Fernanda Alcântara Andaló

IC/UNICAMP

Suplentes  - Professores Doutores

Unidade/Instituição

Gerberth Adín Ramírez Rivera

IC/UNICAMP

Sandra Eliza Fontes de Avila

IC/UNICAMP

João Paulo Papa

DC/UNESP

 

Resumo

Neste trabalho, estudamos e analisamos o problema de reconhecimento em cenários abertos no contexto de diversos tipos de métodos de reconhecimento de padrões: baseados em distância, geométricos e redes neurais. O problema de reconhecimento em cenário aberto apresenta particularidades extras a serem tratadas, quando comparado ao já bem estudado problema de classificação em cenários fechados. Em cenários abertos, o método de reconhecimento deve ser devidamente capaz de reconhecer e também rejeitar instâncias de classes desconhecidas, isto é, de classes não consideradas durante a etapa de treino. Por outro lado, métodos de classificação em cenários fechados assumem que qualquer instância apresentada para classificação sempre pertence a uma das classes conhecidas. Extensões triviais de métodos próprios para cenários fechados, usualmente baseadas em limiares de rejeição, não lidam bem com cenários abertos e esta é a razão principal pela qual este problema tem recebido maior atenção recentemente.

Neste trabalho, fizemos a hipótese de que limitar o espaço aberto classificado como conhecido seja uma propriedade requerida para um método de reconhecimento em cenários abertos. Isso significa que instâncias de teste fora do suporte das instâncias de treino, em uma região infinita do espaço de características, sejam devidamente rejeitadas como desconhecidas, sendo, consequentemente, o risco do desconhecido limitado. Nossos experimentos confirmam esta hipótese e mostramos como garantir esta propriedade em classificadores geométricos que, usualmente, definem semiespaços, i.e., potencialmente definem uma região ilimitada do espaço aberto classificada como conhecida. Além da abordagem trivial de aplicar um limiar à distância em si, também mostramos como melhor definir a região classificada como conhecida em classificadores baseados em distância. Além do mais, neste trabalho realizamos uma análise perspicaz em redes neurais — que são inerentemente fechadas por design — com o objetivo de obter as mesmas propriedades com este tipo de classificadores em trabalhos futuros.

As análises e discussões apresentadas neste trabalho também possuem o objetivo de definir conceitos e clarificar o problema de reconhecimento em cenário aberto. Há particularidades no problema as quais podemos estar atentos e que independem do tipo de classificadores empregados para resolvê-lo, como é o caso da análise de métodos de extensão de classificadores inerentemente binários para classificação multiclasse; a estratégia de busca por parâmetros própria para cenários abertos e as medidas de acurácia próprias para cenários abertos.