Skip navigation
Use este identificador para citar ou linkar para este item: http://repositorio.unb.br/handle/10482/19722
Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
2015_EmersonLopesMachado.pdf3,8 MBAdobe PDFVisualizar/Abrir
Registro completo de metadados
Campo DCValorIdioma
dc.contributor.advisorJacobi, Ricardo Pezzuol-
dc.contributor.authorMachado, Emerson Lopes-
dc.date.accessioned2016-03-21T22:48:51Z-
dc.date.available2016-03-21T22:48:51Z-
dc.date.issued2016-03-21-
dc.date.submitted2015-07-10-
dc.identifier.citationMACHADO, Emerson Lopes. Redução de custo computacional em classificações baseadas em transformadas aprendidas. 2015. viii, 58 f., il. Tese (Doutorado em Informática)—Universidade de Brasília, Brasília, 2015.en
dc.identifier.urihttp://repositorio.unb.br/handle/10482/19722-
dc.descriptionTese (doutorado)—Universidade de Brasília, Instituto de Ciências Exatas, Departamento de Ciência da Computação, 2015.en
dc.description.abstractApresento nesta tese a análise teórica e as avaliações empíricas do conjunto de técnicas que proponho para a redução do custo computacional da classificação em tempo de teste de classificadores que são baseados em transformada e limiar suave aprendidos a partir dos dados de treinamento. Modificando o procedimento de otimização numérica utilizado na aprendizagem da transformada e do vetor de classificação, assim como aplicando um processamento em seus respectivos elementos após a aprendizagem, as técnicas que proponho permitem reduzir a quantidade de bits necessária para se realizar a classificação e trocar cada multiplicação em ponto flutuante por um simples deslocamento de bit em inteiro. Como estudo de caso, utilizei o algoritmo de classificação Learning Algorithm for Soft-Thresholding (LAST) e os mesmos conjuntos de dados utilizados no artigo que o apresenta. Os resultados do estudo de caso confirmam a possibilidade de se utilizar somente somas e deslocamentos em inteiro para a classificação em tempo de teste com uma perda de acurácia limitada. Essas operações de baixo custo computacional são importantes em implementações feitas em FPGA por permitir aumentar a velocidade de classificação e ao mesmo tempo diminuir o consumo de energia e o custo de fabricação. Além disso, as técnicas que apresento reduziram em quase 50% a quantidade de bits necessária para a extração de características na maioria dos experimentos que realizei.en
dc.language.isoPortuguêsen
dc.rightsAcesso Abertoen
dc.titleRedução de custo computacional em classificações baseadas em transformadas aprendidasen
dc.typeTeseen
dc.subject.keywordClassificação de imagensen
dc.subject.keywordAprendizadoen
dc.subject.keywordSoft-thresholdingen
dc.subject.keywordTransferência da informaçãoen
dc.subject.keywordComputadoresen
dc.rights.licenseA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.en
dc.identifier.doihttp://dx.doi.org/10.26512/2015.07.T.19722-
dc.contributor.advisorcoMiosso, Cristiano Jacques-
dc.description.abstract1We present a theoretical analysis and empirical evaluations of a novel set of techniques for computational cost reduction of classifiers that are based on learned transform and soft-threshold. By modifying optimization procedures for dictionary and classifier training, as well as the resulting dictionary elements, our techniques allow to reduce the bit precision and to replace each floating-point multiplication by a single integer bit shift. We also show how the optimization algorithms in some dictionary training methods can be modified to penalize higher-energy dictionaries. We applied our techniques with the classifier Learning Algorithm for Soft-Thresholding, testing on the datasets used in its original paper. Our results indicate it is feasible to use solely sums and bit shifts of integers to classify at test time with a limited reduction of the classification accuracy. These low power operations are a valuable trade off in FPGA implementations as they increase the classification throughput while decrease both energy consumption and manufacturing cost. Moreover, our techniques reduced almost 50% of the bit precision in almost all datasets we tested.-
dc.description.unidadeInstituto de Ciências Exatas (IE)pt_BR
dc.description.unidadeDepartamento de Ciência da Computação (IE CIC)pt_BR
dc.description.ppgPrograma de Pós-Graduação em Informáticapt_BR
Aparece nas coleções:Teses, dissertações e produtos pós-doutorado

Mostrar registro simples do item Visualizar estatísticas



Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.