@InProceedings{SilvaMontHira:2016:ReCoUs,
               author = "Silva, Rafael Reis da and Montagner, Igor S. and Hirata, Nina S. 
                         T.",
          affiliation = "USP and USP and USP",
                title = "Remo{\c{c}}{\~a}o de compasso usando combina{\c{c}}{\~o}es de 
                         operadores heur\ı\́sticos e treinados 
                         automaticamente",
            booktitle = "Proceedings...",
                 year = "2016",
               editor = "Aliaga, Daniel G. and Davis, Larry S. and Farias, Ricardo C. and 
                         Fernandes, Leandro A. F. and Gibson, Stuart J. and Giraldi, Gilson 
                         A. and Gois, Jo{\~a}o Paulo and Maciel, Anderson and Menotti, 
                         David and Miranda, Paulo A. V. and Musse, Soraia and Namikawa, 
                         Laercio and Pamplona, Mauricio and Papa, Jo{\~a}o Paulo and 
                         Santos, Jefersson dos and Schwartz, William Robson and Thomaz, 
                         Carlos E.",
         organization = "Conference on Graphics, Patterns and Images, 29. (SIBGRAPI)",
            publisher = "Sociedade Brasileira de Computa{\c{c}}{\~a}o",
              address = "Porto Alegre",
             keywords = "Remo{\c{c}}{\~a}o de compasso, Aprendizado de W- operadores, 
                         Processamento de imagens, Aprendizado de M{\'a}quina.",
             abstract = "A remo{\c{c}}{\~a}o de compasso {\'e} um pr{\'e}-processamento 
                         comumente utilizado em sistemas de reconhecimento autom{\'a}tico 
                         de partituras. Diferentes imperfei{\c{c}}{\~o}es e 
                         deforma{\c{c}}{\~o}es dificultam o tratamento destas imagens. 
                         Diversos m{\'e}todos heur\ı\́sticos para este fim 
                         podem ser encontrados na literatura, mas cada um funciona para 
                         conjuntos diferentes de deforma{\c{c}}{\~o}es. Neste tra- balho 
                         propomos uma t{\'e}cnica h\ı\́brida que utiliza 
                         aprendizagem de m{\'a}quina para combinar m{\'e}todos 
                         heur\ı\́sticos de remo{\c{c}}{\~a}o de compasso, 
                         permitindo criar um sistema que pode escolher automaticamente 
                         quais m{\'e}todos usar dependendo das imagens de entrada 
                         dispon\ı\́veis. Este tipo de combina{\c{c}}{\~a}o 
                         obt{\'e}m resultados bons em diversas deforma{\c{c}}{\~o}es, 
                         frequentemente superando cada um dos m{\'e}todos 
                         heur\ı\́sticos. Staff removal is a very common 
                         preprocessing in Optical Music Recognition. Different 
                         imperfections and deforma- tions present in the images make this 
                         task a hard one. Although many methods for staff removal are found 
                         in the literature, each one works best in different deformation 
                         contexts. We propose a hybrid, parameter free approach that 
                         combines the output of many heuristic methods using machine 
                         learning. This approach allows us to train operators that can 
                         choose which method to use depending on the deformations present 
                         in the training images. Our approach achieved good performance in 
                         all deformation contexts, frequently surpassing all individual 
                         methods.",
  conference-location = "S{\~a}o Jos{\'e} dos Campos, SP, Brazil",
      conference-year = "4-7 Oct. 2016",
             language = "pt",
                  ibi = "8JMKD3MGPAW/3MCQ68S",
                  url = "http://urlib.net/ibi/8JMKD3MGPAW/3MCQ68S",
           targetfile = "RemocaoDeCompassoFInal.pdf",
        urlaccessdate = "2024, May 03"
}