Fenómenos intrínsecos en clasificación de imágenes sin ejemplos

Mostrar todas las versiones(2)

Tesis (Doctor en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.

Guardado en:
Detalles Bibliográficos
Autor principal: Molina, Matías Daniel
Otros Autores: Sánchez, Jorge Adrián
Formato: publishedVersion doctoralThesis
Lenguaje:Español
Publicado: 2021
Materias:
Métodos de ensamble
Atributos visuales
Clasificación de imágenes
Aprendizaje por transferencia
Aprendizaje sin ejemplos
Ensemble methods
Visual attributes
Image classification
Transfer learning
Zero-shot Learning
Acceso en línea:http://hdl.handle.net/11086/19163
Aporte de:
Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba
id I10-R141-11086-19163
record_format dspace
spelling I10-R141-11086-191632023-08-31T13:17:36Z Fenómenos intrínsecos en clasificación de imágenes sin ejemplos Molina, Matías Daniel Sánchez, Jorge Adrián Métodos de ensamble Atributos visuales Clasificación de imágenes Aprendizaje por transferencia Aprendizaje sin ejemplos Ensemble methods Visual attributes Image classification Image classification Transfer learning Zero-shot Learning Tesis (Doctor en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021. publishedVersion Fil: Molina, Matías Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. La tarea de clasificación de imágenes es típicamente abordada por técnicas de aprendizaje supervisado. Se utiliza un conjunto de imágenes previamente etiquetado para entrenar modelos capaces de reconocer patrones generales en las imágenes. Si bien es un problema resuelto con éxito en los últimos años, existen limitaciones importantes como el costo de recolectar y anotar imágenes o el fenómeno de cola larga que presentan los datos recolectados (muchas instancias para un conjunto reducido de categorías pero pocas instancias para un gran número de categorías). Además, los modelos resultantes no son útiles para clasificar categorías no contempladas durante el entrenamiento. Abordar estas limitaciones ha motivado nuevos paradigmas de aprendizaje como el “aprendizaje con pocos ejemplos” o el “aprendizaje sin ejemplos” (“zero-shot learning”, por su denominación en inglés). En este último caso, el objetivo es aprender a clasificar objetos nunca vistos durante la fase de entrenamiento. En esta tesis se explora este paradigma de aprendizaje aplicado al problema de clasificación de imágenes naturales. El presente trabajo se basa principalmente en el estudio, identificación de problemas y propuestas que permiten el análisis de diferentes aspectos propios de la tarea, tanto para las metodologías de clasificación como para los protocolos de evaluación. Se contribuye así a la identificación y estudio de diferentes fenómenos intrínsecos a la tarea de clasificación sin ejemplos. The image classification task is usually addressed by means of supervised learning techniques, namely, a set of labeled images is used as a basis on which models are trained to recognize general patterns. Despiste of this problem has been successfully solved in recent years, there are important limitations such as the long tail phenomena (many instances for a reduced set of categories but few instances for many categories) or the high cost of collecting and annotating enough images. Moreover, supervised classifiers are only useful for querying images of the categories they have been trained on, but not for categories not included in the training set. Addressing these limitations has motivated new learning paradigms such as “few-shot learning” and “zero-shot learning”. In the latter case, the objective is to learn to classify unseen objects during the training phase. This thesis explores the zero-shot learning paradigm applied to the problem of natural image classification. The present work is mainly based on the study and identification of problems and proposals that enable the analysis of different aspects of the task, both for classification methodologies and evaluation protocols. Thus, it contributes to the identification and study of different intrinsic phenomena to the zero-shot classification task. publishedVersion Fil: Molina, Matías Daniel. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. 2021-07-29T02:28:14Z 2021-07-29T02:28:14Z 2021-04 doctoralThesis http://hdl.handle.net/11086/19163 spa Atribución-NoComercial-CompartirIgual 4.0 Internacional http://creativecommons.org/licenses/by-nc-sa/4.0/
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-141
collection Repositorio Digital Universitario (UNC)
language Español
topic Métodos de ensamble
Atributos visuales
Clasificación de imágenes
Aprendizaje por transferencia
Aprendizaje sin ejemplos
Ensemble methods
Visual attributes
Image classification
Image classification
Transfer learning
Zero-shot Learning
spellingShingle Métodos de ensamble
Atributos visuales
Clasificación de imágenes
Aprendizaje por transferencia
Aprendizaje sin ejemplos
Ensemble methods
Visual attributes
Image classification
Image classification
Transfer learning
Zero-shot Learning
Molina, Matías Daniel
Fenómenos intrínsecos en clasificación de imágenes sin ejemplos
topic_facet Métodos de ensamble
Atributos visuales
Clasificación de imágenes
Aprendizaje por transferencia
Aprendizaje sin ejemplos
Ensemble methods
Visual attributes
Image classification
Image classification
Transfer learning
Zero-shot Learning
description Tesis (Doctor en Ciencias de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.
author2 Sánchez, Jorge Adrián
author_facet Sánchez, Jorge Adrián
Molina, Matías Daniel
format publishedVersion
doctoralThesis
author Molina, Matías Daniel
author_sort Molina, Matías Daniel
title Fenómenos intrínsecos en clasificación de imágenes sin ejemplos
title_short Fenómenos intrínsecos en clasificación de imágenes sin ejemplos
title_full Fenómenos intrínsecos en clasificación de imágenes sin ejemplos
title_fullStr Fenómenos intrínsecos en clasificación de imágenes sin ejemplos
title_full_unstemmed Fenómenos intrínsecos en clasificación de imágenes sin ejemplos
title_sort fenómenos intrínsecos en clasificación de imágenes sin ejemplos
publishDate 2021
url http://hdl.handle.net/11086/19163
work_keys_str_mv AT molinamatiasdaniel fenomenosintrinsecosenclasificaciondeimagenessinejemplos
_version_ 1782013890661449728

Ejemplares similares