Author:
Ortega João Pedro,Nadai Barbara Lepretti de,Maletzke André Gustavo
Abstract
A vigilância automática do mosquito Aedes aegypti é um desenvolvimento tecnológico com potencial de transformar as atuais práticas de monitoramento. Monitorar mosquitos se traduz em estimar o tamanho da população de mosquitos, isto é, contar a quantidade de mosquitos da espécie alvo dada a região monitorada. Contar é o conceito mais fundamental da matemática e um desafio para o Aprendizado de Máquina. Nesse sentido, a quantificação é uma tarefa de Aprendizado de Máquina recentemente formalizada, cujo objetivo é predizer a distribuição de classes dado um conjunto de teste. Neste trabalho, foram avaliados diferentes quantificadores a partir de imagens de vetores de doenças. Os resultados empíricos demonstram que o método de classificar e contar é um baseline, sendo superado pelos métodos DyS e HDy.
Publisher
Sociedade Brasileira de Computação - SBC
Reference17 articles.
1. Bhatt, S., Gething, P. W., Brady, O. J., Messina, J. P., Farlow, A. W., Moyes, C. L., Drake, J. M., Brownstein, J. S., Hoen, A. G., Sankoh, O., et al. (2013). The global distribution and burden of dengue. Nature, 496(7446):504–507.
2. Dietterich, T. G. and Kong, E. B. (1995). Machine learning bias, statistical bias, and statistical variance of decision tree algorithms.
3. Flach, P. (2012). Machine learning: the art and science of algorithms that make sense of data. Cambridge University Press.
4. Forman, G. (2006). Quantifying trends accurately despite classifier error and class imbalance. In Proceedings of the 12th ACM SIGKDD international conference on Knowledge discovery and data mining, pages 157–166.
5. González, P., Castaño, A., Chawla, N. V., and Coz, J. J. D. (2017). A review on quantification learning. ACM Computing Surveys (CSUR), 50(5):1–40.