Caracterização de redes complexas utilizando Fisher Vector para análise de contornos

Abstract

A área de análise de dados e reconhecimento de padrões tem se beneficiado significativamente do uso de redes complexas, que capturam as relações e interações entre os componentes de um sistema. Na visão computacional, redes complexas são utilizadas para representar elementos em imagens, possibilitando sua análise e classificação com base em suas propriedades estruturais. Este trabalho propõe o uso da codificação Fisher Vector para caracterizar redes complexas aplicadas à análise de contornos, abordando desafios tradicionais de reconhecimento de padrões, como robustez a ruído e variações de rotação e escala. A proposta surge da necessidade de métodos mais eficientes e robustos para essa caracterização. A aplicação dessa abordagem em diferentes bases de dados, como Aforo Otolith e Otolith, obteve acurácias de 75,56% e 96,03% utilizando o LDA, e em Portuguese Leaves e ETH-80, obteve acurácias de 79,40% e 93,63% com o SVM, demonstrando um desempenho notável em relação aos métodos tradicionais, comprovando a robustez e versatilidade da proposta. Dessa forma, a combinação de redes complexas com Fisher Vector aprimora a caracterização de contornos e oferece uma nova alternativa para tarefas de reconhecimento de padrões em visão computacional.

The field of data analysis and pattern recognition has greatly benefited from the use of complex networks, which capture the relationships and interactions between the components of a system. In computer vision, complex networks are used to represent elements in images, enabling their analysis and classification based on their structural properties. This work proposes the use of Fisher Vector encoding to characterize complex networks applied to shape contour analysis, addressing traditional pattern recognition challenges such as robustness to noise and variations in rotation and scale. The proposal arises from the need for more efficient and robust methods for this characterization. The application of this approach on different datasets, such as Aforo Otolith and Otolith, achieved accuracies of 75.56% and 96.03% using LDA, and on Portuguese Leaves and ETH-80, achieved accuracies of 79.40% and 93.63% with SVM, demonstrating remarkable performance compared to traditional methods, proving the robustness and versatility of the proposal. The combination of complex networks and Fisher Vector enhances shape contour characterization and offers a new alternative for pattern recognition tasks in computer vision.