Resumo: Classificação computacional de imagens é um campo de estudos desafiador e com múltiplas aplicações, como por exemplo em diagnósticos por imagens médicas. Redes neurais convolucionais (CNNs) estão entre os mais relevantes algoritmos criados para reconhecimento de imagens. Dentre as dificuldades desse tipo de problema, podemos mencionar limitações no tamanho da base de dados, dificuldade na escolha dos melhores métodos de classificação e até na escolha de quais descritores extrair das imagens. Para lidar com essas questões, propomos um ensemble composto por classificadores heterogêneos, usando descritores extraídos por CNNs e padrões binários locais (LBP). Alguns dos classificadores inclusive utilizam uma inovadora estratégia de combinação de descritores para aumentar acurácia. Um conceito importante do ensemble proposto é a inserção da entropia de Rényi como uma forma de medir a diversidade entre os classificadores. Testamos o modelo com várias estruturas e parâmetros diferentes, aplicando o modelo em bases de dados de referência (1200Tex, UIUC, UMD, DTD, KTH-TIPS2-b e MedMNIST) e em um problema médico real: classificação de cistos odontogênicos. O método proposto atingiu uma acurácia de 80% na tarefa mais desafiadora da base de cistos, ultrapassando modelos do estado da arte em algumas das bases de referência. Ele também se mostrou útil ao homogeneizar as performances entre tarefas e bases de dados distintas, o que é uma realização notável, considerando que esse é um dos grandes desafios nessa área de estudos Ver menos

Abstract: Computational classification of images is a challenging field of study with multiple applications, such as medical image diagnostic. Convolutional neural networks (CNNs) are among the most relevant algorithms designed for this task. Among the handicaps of this kind of problem, we can mention database size limitations, difficulty in choosing the best classification method or even electing which features to extract from the images. In order to tackle these issues, we propose an ensemble of heterogeneous classifiers, using features extracted from multiple distinct CNN layers and Local Binary Patterns (LBP). Some of the classifiers apply an innovative feature combination strategy to increase accuracy. One important concept of our ensemble is the insertion of Rényi entropy as a diversity measure among classifiers. We tested multiple distinct structures and parameters, applying the model to benchmark databases (1200Tex, UIUC, UMD, DTD, KTH-TIPS2-b and MedMNIST) and to a real medical problem: odontogenic cysts classification. The proposed method achieved 80% accuracy in the most challenging cyst task, and surpassed state-ofthe-art model in some of the benchmark datasets. It also proved useful in homogenizing performance throughout distinct tasks, which is a remarkable achievement considering this is one of the biggest challenges in this field of study Ver menos