Show simple item record

dc.creatorSilva, Jesús
dc.creatorVarela Izquierdo, Noel
dc.creatorMendoza Palechor, Fabio
dc.creatorPineda, Omar
dc.date.accessioned2020-11-11T16:44:09Z
dc.date.available2020-11-11T16:44:09Z
dc.date.issued2020
dc.identifier.issn2194-5357
dc.identifier.urihttps://hdl.handle.net/11323/7257
dc.description.abstractIn 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 databasespa
dc.format.mimetypeapplication/pdfspa
dc.language.isoengspa
dc.publisherCorporación Universidad de la Costaspa
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.sourceAdvances in Intelligent Systems and Computingspa
dc.subjectDeep learningspa
dc.subjectImage classificationspa
dc.subjectMulti-instancespa
dc.subjectMulti-labelspa
dc.titleDeep learning of robust representations for multi-instance and multi-label image classificationspa
dc.typePreprintspa
dcterms.referencesChen, 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
dcterms.referencesZhang, 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
dcterms.referencesLi, 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
dcterms.referencesYu, 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
dcterms.referencesWang, 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
dcterms.referencesLoukas, 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
dcterms.referencesZhang, 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 2019spa
dcterms.referencesVarela, 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
dcterms.referencesSong, 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
dcterms.referencesYang, 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
dcterms.referencesViloria, 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
dcterms.referencesTsoumakas, G., Katakis, I., Vlahavas, I .: Manual de minería de datos y descubrimiento del conocimiento (2009)spa
dcterms.referencesYosinski, 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
dcterms.referencesHu, 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
dcterms.referencesBossard, L., Guillaumin, M., Van Gool, L .: Food-101: componentes discriminativos de minería con bosques aleatorios. En: European Conference on Computer Vision (2014)spa
dcterms.referencesLi, 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
dcterms.referencesZeng, 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 2015spa
dcterms.referencesZhu, 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
dcterms.referencesYang, 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
dcterms.referencesViloria, 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
dcterms.referencesLi, 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
dcterms.referencesFeng, 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
dcterms.referencesZhu, 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
dcterms.referencesShang, 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 2018spa
dcterms.referencesWu, 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
dcterms.referencesDing, 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
dcterms.referencesCheplygina, 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
dcterms.referencesShakya, 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
dcterms.referencesLaib, 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
dcterms.referencesGarcía-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.hasVersioninfo:eu-repo/semantics/draftspa
dc.source.urlhttps://www.scopus.com/inward/record.uri?eid=2-s2.0-85089233300&doi=10.1007%2f978-3-030-51859-2_16&partnerID=40&md5=84f4d400da9114781ba3418fb47ac6f0spa
dc.rights.accessrightsinfo:eu-repo/semantics/closedAccessspa
dc.date.embargoEnd2021-05-07


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivatives 4.0 International
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivatives 4.0 International