Klasifikace obrazů pomocí genetického programování

Abstract

Tato práce se zabývá klasifikací obrazu pomocí genetického programování a koevoluce. Algoritmy genetického programování umožňují generovat spustitelné struktury a navrhovat tak automatizovaně řešení ve formě programů. Použití koevoluce s predikcí fitness snižuje časovou náročnost výpočtu fitness a tím i dobu trvání celého algoritmu. Práce popisuje teoretický základ evolučních algoritmů a zejména kartézské genetické programování. Jsou také popsány vlastnosti koevolučních algoritmů a zejména navržená metoda pro návrh klasifikátoru obrazu s využitím koevoluce fitness prediktorů, jejímž cílem je nalézt kompromis mezi přesností klasifikace, dobou návrhu a složitostí klasifikátoru. Součástí práce je implementace navžené metody, provedení experimentů a srovnání získaných výsledků s ostatními metodami.

This thesis deals with image classification based on genetic programming and coevolution. Genetic programming algorithms make generating executable structures possible, which allows us to design solutions in form of programs. Using coevolution with the fitness prediction lowers the amount of time consumed by fitness evaluation and, therefore, also the execution time. The thesis describes a theoretical background of evolutionary algorithms and, in particular, cartesian genetic programming. We also describe coevolutionary algorithms properties and especially the proposed method for the image classifier evolution using coevolution of fitness predictors, where the objective is to find a good compromise between the classification accuracy, design time and classifier complexity. A part of the thesis is implementation of the proposed method, conducting the experiments and comparison of obtained results with other methods.