Comparación de nueve algoritmos de máquinas de aprendizaje con aplicaciones en la detección de arrecife de coral

##plugins.themes.bootstrap3.article.main##

Eduardo Tusa
David Lane
Neil Robertson

Keywords

OpenCV, arrecife de coral, máquinas de aprendizaje, filtros Gabor Wavelets, descriptores de textura

Resumen

Este trabajo se enfoca en la comparación de nueve algoritmos de máquinas de aprendizaje para el desarrollo de un detector de coral. Este detector consta de una parte de extracción de vectores característicos, la cual se realiza con filtros Gabor Wavelets; y una parte de clasificación de vectores que usa máquinas de aprendizaje, basado en Redes Neuronales. Se realizó la comparación de la precisión y el tiempo de ejecución de nueve algoritmos de máquinas de aprendizaje, cuyo resultado fue la selección del algoritmo de Árboles de Decisión. Se implementó un banco de filtros Gabor Wavelets utilizando C++ y la librería OpenCV. Se utilizó una base de datos de 621 imágenes de corales de Belice (110 imágenes de entrenamiento y 511 imágenes de prueba). Nuestro detector de coral posee un tiempo de ejecución de 70ms con 70% de precisión.

Abstract 188 | PDF Downloads 6

Citas

• Beijbom, O., Edmunds, P., Kline, D., Mitchell, G. & Kriegman, D. (2012). Automated Annotation of Coral Reef Survey Images. Proceedings of the 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).

• Bradski, G., & Kaehler, A. (2008). Learning OpenCV. Cambridge: Computer Vision with the OpenCV Library.

• Coralbot, T. (2013). About coral reefs and current approaches for restoration. Obtenido de Coralbot Web site: http://www.coralbots.org/.

• Johnson, R., Kumar, S., & Willams, S. (2006). Segmentation and classification of coral for oceanographic surveys. A semi-supervised machine learning approach. Proceedings of OCEANS 2006 - Asia Pacific.

• Marcos, M., David, L., Peñaflor, E., Ticzon, V. & Soriano, M. (2008). Automated benthic counting of living and non-living components in Ngedarrak Reef, Palau via subsurface underwater video. Environmental Monitoring and Assessment.

• Purser, A., Bergmann, M., Lundälv, T., Ontrup, J. & Nattkemper, T. (2009). Use of machine-learning algorithms for the automated detection of cold-water coral habitats. A pilot study. 397(3354/meps08154).

• Stough, J., Greer, L. & Matt, B. (2012). Texture and Color Distribution-based Classification for Live Coral Detection. Proceedings of the 12th International Coral Reef Symposium.