Mostrar el registro sencillo del ítem
Deep learning of robust representations for multi-instance and multi-label image classification
dc.contributor.author | Silva, Jesús | spa |
dc.contributor.author | Varela Izquierdo, Noel | spa |
dc.contributor.author | Mendoza Palechor, Fabio | spa |
dc.contributor.author | Pineda, Omar | spa |
dc.date.accessioned | 2020-11-11T16:44:09Z | |
dc.date.available | 2020-11-11T16:44:09Z | |
dc.date.issued | 2020 | |
dc.identifier.issn | 2194-5357 | spa |
dc.identifier.uri | https://hdl.handle.net/11323/7257 | spa |
dc.description.abstract | In multi-instance problems (MIL), an arbitrary number of instances is associated with a class label. Therefore, the labeling of training data becomes simpler (since it is done together, instead of individually) with the disadvantage that a weakly supervised database is produced [9]. In the PCRY, each restaurant is represented by a set of images that share the attribute label(s) of that establishment. This paper explores the use of previously learned attribute extractors, trained in 3 different databases that are similar and complementary to the PCRY database | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | eng | |
dc.publisher | Corporación Universidad de la Costa | spa |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | spa |
dc.source | Advances in Intelligent Systems and Computing | spa |
dc.subject | Deep learning | spa |
dc.subject | Image classification | spa |
dc.subject | Multi-instance | spa |
dc.subject | Multi-label | spa |
dc.title | Deep learning of robust representations for multi-instance and multi-label image classification | spa |
dc.type | Pre-Publicación | spa |
dc.source.url | https://www.scopus.com/inward/record.uri?eid=2-s2.0-85089233300&doi=10.1007%2f978-3-030-51859-2_16&partnerID=40&md5=84f4d400da9114781ba3418fb47ac6f0 | spa |
dc.rights.accessrights | info:eu-repo/semantics/closedAccess | spa |
dc.date.embargoEnd | 2021-05-07 | |
dc.identifier.instname | Corporación Universidad de la Costa | spa |
dc.identifier.reponame | REDICUC - Repositorio CUC | spa |
dc.identifier.repourl | https://repositorio.cuc.edu.co/ | spa |
dc.relation.references | Chen, Z., Chi, Z., Fu, H., Feng, D .: Clasificación de imágenes de múltiples instancias y etiquetas múltiples: un enfoque neuronal. Neurocomputing 99 , 298-306 (2013) | spa |
dc.relation.references | Zhang, Y., Wang, Y., Liu, XY, Mi, S., Zhang, ML: Clasificación de etiquetas múltiples a gran escala utilizando imágenes de transmisión desconocidas. Reconocimiento de patrones. 99 , 107100 (2020) | spa |
dc.relation.references | Li, P., Chen, P., Xie, Y., Zhang, D .: Aprendizaje bi-modal con atención por canal para la clasificación de imágenes de múltiples etiquetas. IEEE Access 8 , 9965–9977 (2020) | spa |
dc.relation.references | Yu, WJ, Chen, ZD, Luo, X., Liu, W., Xu, XS: DELTA: una red profunda de doble flujo para la clasificación de imágenes de múltiples etiquetas. Reconocimiento de patrones. 91 , 322–331 (2019) | spa |
dc.relation.references | Wang, S., Zhu, Y., Yu, L., Chen, H., Lin, H., Wan, X., Fan, X., Heng, PA: RMDL: aprendizaje profundo de instancias múltiples recalibrado para toda la diapositiva clasificación de imágenes gástricas. Medicina. Imagen Anal. 58 , 101549 (2019) | spa |
dc.relation.references | Loukas, C., Sgouros, NP: aprendizaje de múltiples etiquetas de instancias múltiples para la anotación de imágenes quirúrgicas. En t. J. Med. Robot. Computación. Ayudar. Surg. 16 , e2058 (2019) | spa |
dc.relation.references | Zhang, M., Li, C., Wang, X .: Aprendizaje métrico de múltiples vistas para la clasificación de imágenes de múltiples etiquetas. En: IEEE International Conference on Image Processing (ICIP) de 2019, págs. 2134–2138. IEEE, septiembre de 2019 | spa |
dc.relation.references | Varela, N., Silva, J., González, FM, Palencia, P., Palma, HH, Pineda, OB: Método para la recuperación de imágenes en bases de datos de granos de arroz a partir de contenido visual. Procedia Comput. Sci. 170 , 983–988 (2020) | spa |
dc.relation.references | Song, L., Liu, J., Qian, B., Sun, M., Yang, K., Sun, M., Abbas, S .: Una CNN multimodal profunda para la clasificación de imágenes de múltiples instancias y múltiples etiquetas . IEEE Trans. Proceso de imagen. 27 (12), 6025–6038 (2018) | spa |
dc.relation.references | Yang, Y., Fu, ZY, Zhan, DC, Liu, ZB, Jiang, Y .: Red profunda multi-etiqueta multi-instancia multi-modal semi-supervisada con transporte óptimo. IEEE Trans. Knowl. Ing. De datos (2019) | spa |
dc.relation.references | Viloria, A., Acuña, GC, Franco, DJA, Hernández-Palma, H., Fuentes, JP, Rambal, EP: Integración de técnicas de minería de datos al sistema gestor de bases de datos PostgreSQL. Procedia Comput. Sci. 155 , 575–580 (2019) | spa |
dc.relation.references | Tsoumakas, G., Katakis, I., Vlahavas, I .: Manual de minería de datos y descubrimiento del conocimiento (2009) | spa |
dc.relation.references | Yosinski, J., Clune, J., Bengio, Y., Lipson, H .: ¿Cuán transferibles son las características en las redes neuronales profundas? En: Ghahramani, Z., Welling, M., et al. (eds.) Advances in Neural Information Processing Systems, págs. 3320–3328 (2014) | spa |
dc.relation.references | Hu, H., Cui, Z., Wu, J., Wang, K .: Clasificación de múltiples etiquetas de múltiples instancias basada en el aprendizaje métrico con correlación de etiquetas. IEEE Access 7 , 109899–109909 (2019) | spa |
dc.relation.references | Bossard, L., Guillaumin, M., Van Gool, L .: Food-101: componentes discriminativos de minería con bosques aleatorios. En: European Conference on Computer Vision (2014) | spa |
dc.relation.references | Li, J., Liu, J., Yongkang, W., Nishimura, S., Kankanhalli, M .: Reconocimiento de acciones de varias personas con supervisión débil en videos de 360 °. En: Conferencia de invierno de IEEE sobre aplicaciones de la visión por computadora, págs. 508–516 (2020) | spa |
dc.relation.references | Zeng, T., Ji, S .: Redes neuronales convolucionales profundas para el aprendizaje de múltiples tareas y múltiples instancias. En: 2015 IEEE International Conference on Data Mining, págs. 579–588. IEEE, noviembre de 2015 | spa |
dc.relation.references | Zhu, M., Li, Y., Pan, Z., Yang, J .: Reconocimiento automático de modulación de señales compuestas utilizando un clasificador profundo de múltiples etiquetas: un estudio de caso con señales de interferencia de radar. Sig. Proceso. 169 , 107393 (2020) | spa |
dc.relation.references | Yang, H., Tianyi Zhou, J., Cai, J., Soon Ong, Y .: MIML-FCN +: aprendizaje de múltiples etiquetas y múltiples instancias a través de redes totalmente convolucionales con información privilegiada. En: Actas de la Conferencia IEEE sobre Visión por Computador y Reconocimiento de Patrones, págs. 1577-1585 (2017) | spa |
dc.relation.references | Viloria, A., Lezama, OBP: Mejoras para determinar el número de clusters en k-medias para bases de datos de innovación en pymes. ANT / EDI40, págs. 1201–1206 (2019) | spa |
dc.relation.references | Li, D., Wang, J., Zhao, X., Liu, Y., Wang, D .: Algoritmo de aprendizaje de múltiples instancias basado en múltiples núcleos para la clasificación de imágenes. J. Vis. Comun. Representar la imagen. 25 (5), 1112–1117 (2014) | spa |
dc.relation.references | Feng, S., Xiong, W., Li, B., Lang, C., Huang, X .: Aprendizaje semi-supervisado de múltiples instancias basado en representación escasa jerárquica con aplicación a la categorización de imágenes. Sig. Proceso. 94 , 595–607 (2014) | spa |
dc.relation.references | Zhu, F., Li, H., Ouyang, W., Yu, N., Wang, X .: Aprendizaje de la regularización espacial con supervisiones a nivel de imagen para la clasificación de imágenes de múltiples etiquetas. En: Actas de la Conferencia IEEE sobre visión artificial y reconocimiento de patrones, págs. 5513–5522 (2017) | spa |
dc.relation.references | Shang, J., Hong, S., Zhou, Y., Wu, M., Li, H .: Aprendizaje de múltiples etiquetas guiado por el conocimiento a través de redes neuronales en la predicción de medicamentos. En: Asian Conference on Machine Learning, págs. 831–846, noviembre de 2018 | spa |
dc.relation.references | Wu, JS, Huang, SJ, Zhou, ZH: predicción de la función de proteínas en todo el genoma a través del aprendizaje de múltiples etiquetas y múltiples instancias. IEEE / ACM Trans. Computación. Biol. Bioinform. 11 (5), 891–902 (2014) | spa |
dc.relation.references | Ding, X., Li, B., Xiong, W., Guo, W., Hu, W., Wang, B .: Aprendizaje multi-instancia multi-etiqueta que combina el contexto jerárquico y su aplicación a la anotación de imágenes. IEEE Trans. Multimed. 18 (8), 1616–1627 (2016) | spa |
dc.relation.references | Cheplygina, V., de Bruijne, M., Pluim, JP: Not-so-supervised: a survey of semi-supervised, multi-instance, and transfer learning in medical image analysis. Medicina. Imagen Anal. 54 , 280–296 (2019) | spa |
dc.relation.references | Shakya, S .: Determinación de no linealidad basada en aprendizaje automático para revisión de comunicación por fibra óptica. J. Ubiquit. Computación. Comun. Technol. (UCCT) 1 (02), 121–127 (2019) | spa |
dc.relation.references | Laib, L., Allili, MS, Ait-Aoudia, S .: Un modelo temático probabilístico para la clasificación de imágenes basada en eventos y la anotación de múltiples etiquetas. Sig. Proceso. Imagen Comun. 76 , 283–294 (2019) | spa |
dc.relation.references | García-Domínguez, M., Domínguez, C., Heras, J., Mata, E., Pascual, V .: FrImCla: un marco para la clasificación de imágenes mediante técnicas tradicionales y de aprendizaje por transferencia. IEEE Access 8 , 53443–53455 (2020) | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_816b | spa |
dc.type.content | Text | spa |
dc.type.driver | info:eu-repo/semantics/preprint | spa |
dc.type.redcol | http://purl.org/redcol/resource_type/ARTOTR | spa |
dc.type.version | info:eu-repo/semantics/acceptedVersion | spa |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa | spa |
dc.rights.coar | http://purl.org/coar/access_right/c_14cb | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Artículos científicos [3156]
Artículos de investigación publicados por miembros de la comunidad universitaria.