@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"
}