Técnicas embedding para clasificación de imágenes en grandes bancos de datos

Mostrar todas las versiones(2)

En este trabajo se considera el problema de clasificación de imágenes en gran escala mediante embeddings lineales. En un modelo embedding, además de generar una representación para las imágenes (entradas) se genera una representación para las clases o conceptos de interés (salidas). De esta forma, a...

Descripción completa

Detalles Bibliográficos
Autor principal: Bustos, Maximiliano David
Otros Autores: Sánchez, Jorge Adrián, dir.
Formato: bachelorThesis
Lenguaje:Español
Publicado: 2016
Materias:
Pattern recognition
Visión por computadora
Aprendizaje automático
Optimización estocástica
Acceso en línea:http://hdl.handle.net/11086/2827
Aporte de:
Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba
id I10-R141-11086-2827
record_format dspace
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-141
collection Repositorio Digital Universitario (UNC)
language Español
topic Pattern recognition
Visión por computadora
Aprendizaje automático
Optimización estocástica
spellingShingle Pattern recognition
Visión por computadora
Aprendizaje automático
Optimización estocástica
Bustos, Maximiliano David
Técnicas embedding para clasificación de imágenes en grandes bancos de datos
topic_facet Pattern recognition
Visión por computadora
Aprendizaje automático
Optimización estocástica
description En este trabajo se considera el problema de clasificación de imágenes en gran escala mediante embeddings lineales. En un modelo embedding, además de generar una representación para las imágenes (entradas) se genera una representación para las clases o conceptos de interés (salidas). De esta forma, al comparar estas representaciones intermedias (imágenes y clases) en un espacio de representación común, es posible abordar de manera unificada problemas como los de clasificación y búsqueda de imágenes por contenido. Los métodos embedding son particularmente atractivos en cuanto permiten generar proyecciones a espacios de imensionalidad reducida, lo que hace posible el abordaje de problemas en gran escala (millones de imágenes, cientos de miles de conceptos) de manera eficiente. En particular, se analiza el algoritmo WSABIE propuesto por [Weston et al.,2011b] el cual, a diferencia de los esquemas tradicionales, aborda el problema de aprendizaje mediante la optimización de una función objetivo que tiene en cuenta no solo si una muestra fue bien o mal clasificada, sino cómo se ubicó su etiqueta verdadera respecto de las k mejores predicciones en una lista ordenada de posibles anotaciones.
author2 Sánchez, Jorge Adrián, dir.
author_facet Sánchez, Jorge Adrián, dir.
Bustos, Maximiliano David
format bachelorThesis
author Bustos, Maximiliano David
author_sort Bustos, Maximiliano David
title Técnicas embedding para clasificación de imágenes en grandes bancos de datos
title_short Técnicas embedding para clasificación de imágenes en grandes bancos de datos
title_full Técnicas embedding para clasificación de imágenes en grandes bancos de datos
title_fullStr Técnicas embedding para clasificación de imágenes en grandes bancos de datos
title_full_unstemmed Técnicas embedding para clasificación de imágenes en grandes bancos de datos
title_sort técnicas embedding para clasificación de imágenes en grandes bancos de datos
publishDate 2016
url http://hdl.handle.net/11086/2827
work_keys_str_mv AT bustosmaximilianodavid tecnicasembeddingparaclasificaciondeimagenesengrandesbancosdedatos
bdutipo_str Repositorios
_version_ 1764820392070873094

Ejemplares similares