Aplicação de métodos de meta-aprendizado para recuperação de dados complexos

Este projeto busca analisar uma nova abordagem para melhorar o processo de recuperação de imagens baseada conteúdo, utilizando a metodologia de meta-aprendizado para que os algoritmos de classificação supervisionada (e.g., Random Forest, Naive Bayes) possam aprender a identificar o descritor de imagens mais adequado para maximizar a eficácia na extração de características relevantes das imagens. Para corroborar a presente proposta utilizou-se o conjunto de imagens públicas Corel-1000. Para o referido conjunto a abordagem proposta detectou automaticamente que os descritores com os melhores resultados foram o Color and Edge Directivity Descriptor (CEDD),  o Fuzzy Color and Texture Histogram (FCTH), e o Border/Interior Pixel Classification (BIC). Para tanto, foram utilizadas como pré-características para o meta-aprendizado histogramas de cor e histogramas monocromáticos, utilizados na composição dos vetores de características, sendo que os mesmos produziram resultados semelhantes.  Com relação aos classificadores, Random Forest teve uma performance superior ao Naive Bayes, mas evidenciou uma forte tendência de favorecer a classe mais dominante.