Redes neurais randomizadas e caminhadas determinísticas para análise de imagens

Abstract

Este trabalho aborda a análise de texturas em imagens digitais, com ênfase na criação de re-presentações mais robustas e discriminativas para tarefas de classificação. O objetivo principal é propor, implementar e avaliar uma abordagem hı́brida que combina Caminhadas Deter- minı́sticas Parcialmente Auto-Repulsivas (CDPARs) e Redes Neurais Randomizadas (RNNs) para a extração de caracterı́sticas de textura. As CDPARs são utilizadas para explorar in- formações locais das imagens, gerando vetores que capturam padrões estruturais, enquanto as RNNs são aplicadas para aprender representações discriminativas a partir desses vetores de forma rápida e eficiente. Além disso, são realizadas combinações de parâmetros e configurações de redes, permitindo analisar o impacto de diferentes tamanhos de memória, regras de movimento e quantidades de neurônios ocultos. Experimentos conduzidos em bases de dados de texturas demonstraram que a abordagem proposta é competitiva em relação a métodos clássicos e recentes da literatura, alcançando acurácia superior a 95% na USPTex e acima de 90% na Outex, demonstrando alto desempenho e competitividade da solução.. Dessa forma, este trabalho contribui para o avanço de técnicas de análise de texturas e aprendizado de representações, abrindo novas possibilidades para aplicações em visão computacional e reconhecimento de padrões.