Kişilikle ilgili nitelikler

Para as comparações entre a indexação sequencial e os modelos tradicionais (paralelo e composto) foram implementadas redes SOM de acordo com as especificações de cada modelo. Nesta seção detalharemos as implementações realizadas para cada modelo, in- cluindo nossa proposta praticada com redes TS-SL-SOM com segmentação sobreposta. Todas as implementações foram realizadas em Matlab 7.0 usando algumas funções do toolbox SOM-Toolbox [Alhoniemi et al. n.d.]. É importante destacar que além das im- plementações usadas para os resultados finais da tese detalhadas neste capítulo, foram instauradas muitas outras técnicas com o intuito de analisá-las e encontrar as que me- lhor se ajustem aos requerimentos de implementação da nossa proposta e dos paradigmas tradicionais.

5.3.1 Paradigmas Tradicionais

Para efeitos de comparação e validação inicial da nossa proposta, foram implemen- tadas versões dos paradigmas tradicionais, como estrutura de indexação em ambos os paradigmas se escolheu a rede neural SOM com treinamento por lotes.

No modelo com indexação composta é necessária uma estrutura de indexação simples que permita recuperar as imagens mais próximas no espaço do vetor característico ob- tido. Assim, neste modelo foi usada uma rede SOM bidimensional de formato retangular. Foram escolhidos dois critérios para estabelecer o tamanho do mapa SOM: um mapa de tamanho 10 × 10 e o segundo critério é o usado no toolbox de SOM para Matlab. Se- gundo este critério, o número de unidades é calculado pela equação 5.1. E o número de neurônios em cada dimensão do mapa é calculado em base à relação existente entre os dois maiores eigenvalores (equação 5.2). O número de neurônios na dimensão X e Y é definido pelas equações 5.3 e 5.4 respectivamente.

nUnidades = 5√TamD (5.1)

onde TamD é a quantidade de elementos no conjunto de treinamento.

radio =peigvalM/eigval2M (5.2)

onde eigvalM é o maior eigenvalor e eigval2M é o segundo maior eigenvalor.

tamX = min(nUnidades,round(pnUnidades/radio)) (5.3)

tamY = round(nUnidades/tamX) (5.4)

Neste modelo, posterior à indexação dos dados na rede SOM no momento da recu- peração, e após apresentar a imagem critério de busca, serão mostradas ao usuário as imagens mais próximas ao codebook do neurônio ganhador e que ativaram o mesmo. Se o neurônio não tem suficientes imagens para recuperar, serão escolhidas as imagens de uma vizinhança de tamanho 4, sempre escolhendo as imagens mais próximas ao codebook do neurônio ganhador. Logo, se as imagens de uma vizinhança de tamanho 4 não forem

suficientes, serão escolhidas as imagens numa vizinhança de tamanho 8, e assim por di- ante até conseguir completar as imagens necessárias. O algoritmo 6 mostra o processo completo implementado para o modelo de indexação composta.

Algoritmo 6 Algoritmo Implementado para o Modelo Composto 1: Criar os vetores característicos compostos

2: Treinar a rede SOM com os vetores característicos do conjunto de imagens de treina-

mento

3: Estabelecer o número de imagens a recuperar m

4: for Cada imagem k critério de busca do 5: Fazer J= Conjunto Vazio de neurônios 6: Fazer M= Conjunto Vazio de imagens

7: Fazer i=neurônio ganhador para imagem k

8: Fazer Número de imagens recuperadas igual a zero (n = 0) 9: Incluir em J o neurônio i

10: r = 1

11: while n < m do

12: r = r + 1

13: P= conjunto de imagens que ativaram os neurônios em J ordenadas pela proxi- midade ao codebook de i

14: p = tamanho do conjunto P

15: if n + p ≤ m then

16: Incluir em M todas as imagens em P

17: n = n + p

18: else

19: Incluir em M as primeiras m − n imagens em P

20: n = m

21: end if

22: J= Conjunto de neurônios da vizinhança 2r

23: end while

24: Mostrar imagens em M

25: end for

Para o caso do modelo de indexação paralela, foi usada também a rede SOM. No entanto, desta vez existirão tantas redes SOM quantos vetores característicos existam. Foram usados os mesmos dois critérios para determinar o número de neurônios nas redes SOM que foram usados no modelo composto.

No modelo paralelo é importante implantar um método que permita juntar os resulta- dos de todas as estruturas de indexação independentes existentes no sistema. Nesta tese foi usado o método usado no PicSOM [Laaksonen et al. 2000]. A idéia deste método é dar um peso para cada estrutura de indexação, depois calcular um índice (α) igual à mul- tiplicação do peso da estrutura com a distância de cada uma das imagens que ativaram o neurônio ao codebook do mesmo (equação 5.5). Finalmente as imagens recuperadas por cada uma das estruturas de indexação são ordenadas com base em α e delas se esco- lhe aquelas que serão mostradas ao usuário. O algoritmo 7 mostra o processo completo

implantado para o modelo de indexação paralela.

α = wi∗ dist(vetorCar,codebook) (5.5)

onde wié o peso da estrutura de indexação i, vetorCar é o vetor característico da imagem

da qual pretende-se calcular o índice, e o codebook pertence ao neurônio ativado pela imagem critério de busca.

5.3.2 Nossa Proposta

Para o caso de nossa proposta, foram implementados todos os algoritmos necessá- rios para poder realizar a análise semântica dos descritores de baixo nível e aplicados aos descritores do padrão MPEG-7. Também, foi praticado o modelo sequencial usando uma rede TS-SL-SOM como explicado no capítulo anterior. Ainda, foram implantadas duas versões para questões de avaliação. A primeira baseada na nossa proposta de tra- balharmos com uma segmentação sobreposta e a segunda usando uma rede TS-SL-SOM tradicional. O algoritmo implementado para o modelo proposto nesta tese (algoritmo 4) foi apresentado no capítulo anterior.

Por fim, é importante destacar que para nossa proposta, do mesmo jeito que as pro- postas tradicionais, foram usados dois critérios para se poder calcular o tamanho de cada mapa: O tamanho fixo onde se usou mapas de tamanho 10x10 no primeiro nível, 8x8 no segundo nível e 6x6 no terceiro nível; e o tamanho definido automaticamente usando o método usado no toolbox de SOM para Matlab.