Local complex features learned by randomized neural networks for texture analysis

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorUniversidade de São Paulo (USP)-
Autor(es): dc.contributorUniversidade Federal do Ceará-
Autor(es): dc.creatorRibas, Lucas C.-
Autor(es): dc.creatorScabini, Leonardo F. S.-
Autor(es): dc.creatorde Mesquita Sá Junior, Jarbas Joaci-
Autor(es): dc.creatorBruno, Odemir M.-
Data de aceite: dc.date.accessioned2025-08-21T18:10:43Z-
Data de disponibilização: dc.date.available2025-08-21T18:10:43Z-
Data de envio: dc.date.issued2025-04-29-
Data de envio: dc.date.issued2024-03-01-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1007/s10044-024-01230-x-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/304371-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/304371-
Descrição: dc.descriptionTexture is a visual attribute largely used in many problems of image analysis. Many methods that use learning techniques have been proposed for texture discrimination, achieving improved performance over previous handcrafted methods. In this paper, we present a new approach that combines a learning technique and the complex network (CN) theory for texture analysis. This method takes advantage of the representation capacity of CN to model a texture image as a directed network and then uses the topological information of vertices to train a randomized neural network. This neural network has a single hidden layer and uses a fast learning algorithm to learn local CN patterns for texture characterization. Thus, we use the weights of the trained neural network to compose a feature vector. These feature vectors are evaluated in a classification experiment in four widely used image databases. Experimental results show a high classification performance of the proposed method compared to other methods, indicating that our approach can be used in many image analysis problems.-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionInstitute of Biosciences Humanities and Exact Sciences São Paulo State University, Rua Cristóvão Colombo, 2265, São José do Rio Preto, SP-
Descrição: dc.descriptionInstitute of Mathematics and Computer Science University of São Paulo, Av. Trab. São Carlense, 400, São Carlos-
Descrição: dc.descriptionSão Carlos Institute of Physics University of São Paulo, Av. Trab. São Carlense, 400, São Carlos-
Descrição: dc.descriptionCurso de Engenharia da Computação Programa de Pós-Graduação em Engenharia Elétrica e de Computação Campus de Sobral Universidade Federal do Ceará, Rua Coronel Estanislau Frota, 563, CE-
Descrição: dc.descriptionInstitute of Biosciences Humanities and Exact Sciences São Paulo State University, Rua Cristóvão Colombo, 2265, São José do Rio Preto, SP-
Descrição: dc.descriptionCNPq: 142438/2018-9-
Descrição: dc.descriptionFAPESP: 18/22214-6-
Descrição: dc.descriptionFAPESP: 2018/22214-6-
Descrição: dc.descriptionFAPESP: 2019/07811-0-
Descrição: dc.descriptionFAPESP: 2021/09163-6-
Descrição: dc.descriptionFAPESP: 2023/04583-2-
Descrição: dc.descriptionCNPq: 302183/2017-5-
Descrição: dc.descriptionCNPq: 307897/2018-4-
Idioma: dc.languageen-
Relação: dc.relationPattern Analysis and Applications-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectImage classification-
Palavras-chave: dc.subjectNetwork science-
Palavras-chave: dc.subjectRandomized neural networks-
Palavras-chave: dc.subjectTexture representation-
Título: dc.titleLocal complex features learned by randomized neural networks for texture analysis-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.