Deep learning of robust representations for multi-instance and multi-label image classification

dc.creatorSilva, Jesús
dc.creatorVarela Izquierdo, Noel
dc.creatorMendoza Palechor, Fabio
dc.creatorPineda, Omar
dc.date2020-11-11T16:44:09Z
dc.date2020-11-11T16:44:09Z
dc.date2020
dc.date2021-05-07
dc.date.accessioned2023-10-03T19:14:34Z
dc.date.available2023-10-03T19:14:34Z
dc.identifier2194-5357
dc.identifierhttps://hdl.handle.net/11323/7257
dc.identifierCorporación Universidad de la Costa
dc.identifierREDICUC - Repositorio CUC
dc.identifierhttps://repositorio.cuc.edu.co/
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/9169187
dc.descriptionIn 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
dc.formatapplication/pdf
dc.formatapplication/pdf
dc.languageeng
dc.publisherCorporación Universidad de la Costa
dc.relationChen, Z., Chi, Z., Fu, H., Feng, D .: Clasificación de imágenes de múltiples instancias y etiquetas múltiples: un enfoque neuronal. Neurocomputing 99 , 298-306 (2013)
dc.relationZhang, 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)
dc.relationLi, 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)
dc.relationYu, 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)
dc.relationWang, 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)
dc.relationLoukas, 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)
dc.relationZhang, 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
dc.relationVarela, 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)
dc.relationSong, 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)
dc.relationYang, 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)
dc.relationViloria, 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)
dc.relationTsoumakas, G., Katakis, I., Vlahavas, I .: Manual de minería de datos y descubrimiento del conocimiento (2009)
dc.relationYosinski, 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)
dc.relationHu, 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)
dc.relationBossard, L., Guillaumin, M., Van Gool, L .: Food-101: componentes discriminativos de minería con bosques aleatorios. En: European Conference on Computer Vision (2014)
dc.relationLi, 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)
dc.relationZeng, 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
dc.relationZhu, 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)
dc.relationYang, 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)
dc.relationViloria, 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)
dc.relationLi, 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)
dc.relationFeng, 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)
dc.relationZhu, 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)
dc.relationShang, 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
dc.relationWu, 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)
dc.relationDing, 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)
dc.relationCheplygina, 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)
dc.relationShakya, 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)
dc.relationLaib, 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)
dc.relationGarcía-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)
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rightsinfo:eu-repo/semantics/closedAccess
dc.rightshttp://purl.org/coar/access_right/c_14cb
dc.sourceAdvances in Intelligent Systems and Computing
dc.sourcehttps://www.scopus.com/inward/record.uri?eid=2-s2.0-85089233300&doi=10.1007%2f978-3-030-51859-2_16&partnerID=40&md5=84f4d400da9114781ba3418fb47ac6f0
dc.subjectDeep learning
dc.subjectImage classification
dc.subjectMulti-instance
dc.subjectMulti-label
dc.titleDeep learning of robust representations for multi-instance and multi-label image classification
dc.typePre-Publicación
dc.typehttp://purl.org/coar/resource_type/c_816b
dc.typeText
dc.typeinfo:eu-repo/semantics/preprint
dc.typeinfo:eu-repo/semantics/draft
dc.typehttp://purl.org/redcol/resource_type/ARTOTR
dc.typeinfo:eu-repo/semantics/acceptedVersion
dc.typehttp://purl.org/coar/version/c_ab4af688f83e57aa


Este ítem pertenece a la siguiente institución