Registro:
Documento: | Tesis Doctoral |
Disciplina: | computacion |
Título: | Transferencia de aprendizaje mediante bosques de decisión |
Título alternativo: | Tranfer learning using decision forests |
Autor: | Goussies, Norberto Adrián |
Editor: | Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales |
Publicación en la Web: | 2015-07-14 |
Fecha de defensa: | 2014-11-28 |
Fecha en portada: | 2014 |
Grado Obtenido: | Doctorado |
Título Obtenido: | Doctor de la Universidad de Buenos Aires en el área de Ciencias de la Computación |
Director: | Mejail, Marta E. |
Jurado: | Sappa, Angel D.; Ballarin, Virginia L.; Granitto, Pablo |
Idioma: | Español |
Palabras clave: | BOSQUES DE DECISION; TRANSFERENCIA DE APRENDIZAJE; RECONOCIMIENTO DE GESTOS; RECONOCIMIENTO DE CARACTERES; PROPAGACION DE ETIQUETASDECISION FORESTS; TRANSFER LEARNING; GESTURE RECOGNITION; OPTICAL CHARACTER RECOGNITION; LABEL PROPAGATION |
Tema: | computación/procesamiento de imágenes
|
Formato: | PDF |
Handle: |
http://hdl.handle.net/20.500.12110/tesis_n5641_Goussies |
PDF: | https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n5641_Goussies.pdf |
Registro: | https://bibliotecadigital.exactas.uba.ar/collection/tesis/document/tesis_n5641_Goussies |
Ubicación: | Dep.COM 005641 |
Derechos de Acceso: | Esta obra puede ser leída, grabada y utilizada con fines de estudio, investigación y docencia. Es necesario el reconocimiento de autoría mediante la cita correspondiente. Goussies, Norberto Adrián. (2014). Transferencia de aprendizaje mediante bosques de decisión. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de http://hdl.handle.net/20.500.12110/tesis_n5641_Goussies |
Resumen:
Los bosques de decisión son una herramienta que se han popularizadopara resolver diferentes tareas de visión por computadora. Susprincipales ventajas son su alta eficiencia computacional, los resultados competitivoscon el estado del arte que se obtienen al emplearlos y que son inherentementeclasificadores multiclase. Usualmente, para cada nueva tareade visión por computadora donde se tiene que entrenar un bosque de decisión, un nuevo conjunto de entrenamiento debe ser confeccionado desde cero. En esta tesis, presentamos un nuevo método de transferencia de aprendizajeque utiliza bosques de decisión y lo aplicamos para reconocer gestosy caracteres. El método propuesto extrae conocimiento de otras tareas devisión por computadora y lo aplica a una tarea destino, reduciendo el problemade crear nuevos conjuntos de entrenamiento. Introducimos dos extensiones en el modelo de los bosques de decisiónpara poder transferir conocimiento de varias tareas de origen a una tareadestino. La primera es la ganancia de información mixta, que se puedeinterpretar como un regularizador basado en los datos. La segunda es lapropagación de etiquetas, que infiere el estructura de la variedad del espaciode características. Demostramos que ambas extensiones son importantespara obtener altas tasas de reconocimiento. Nuestros experimentos demuestran mejoras sobre los bosques de decisión tradicionales en el ChaLearn Gesture Challenge y en el conjunto de datos MNIST (Mixed National Institute of Standards and Technology) de dígitos escritos a mano. Además demostramos mejoras en tasas de reconocimiento en comparación con otros clasificadores del estado del arte.
Abstract:
Decision forests are an increasingly popular tool in computervision tasks. Their advantages include high computational efficiency, stateof-the-art accuracy and multi-class support. Usually for each new computervision task where a decision forest has to be learned a new training set iscollected from scratch. In this thesis, we present a novel method for transfer learning whichuses decision forests, and we apply it to recognize gestures and characters. This method extracts knowledge from previous computer vision tasks andapplies it to the target task, thus reducing the problem of collecting newdatasets. We introduce two extensions into the decision forest framework in orderto transfer knowledge from several source tasks to a given target task. Thefirst one is mixed information gain, which is a data-based regularizer. Thesecond one is label propagation, which infers the manifold structure of thefeature space. We show that both of them are important to achieve higherrecognition rates. Our experiments demonstrate improvements over traditional decisionforests in the ChaLearn Gesture Challenge and MNIST (Mixed National Instituteof Standards and Technology) dataset of handwritten digits. Also, weshow that the transfer learning decision forests compare favorably againstother state-of-the-art classifiers.
Citación:
---------- APA ----------
Goussies, Norberto Adrián. (2014). Transferencia de aprendizaje mediante bosques de decisión. (Tesis Doctoral. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales.). Recuperado de https://hdl.handle.net/20.500.12110/tesis_n5641_Goussies
---------- CHICAGO ----------
Goussies, Norberto Adrián. "Transferencia de aprendizaje mediante bosques de decisión". Tesis Doctoral, Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales, 2014.https://hdl.handle.net/20.500.12110/tesis_n5641_Goussies
Estadísticas:
Descargas totales desde :
Descargas mensuales
https://bibliotecadigital.exactas.uba.ar/download/tesis/tesis_n5641_Goussies.pdf