Transferencia de aprendizaje mediante bosques de decisión

Institución otorgante:

Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales

Fecha:

2014-11-28

Tipo de documento: 

info:eu-repo/semantics/doctoralThesis
 

Formato:

application/pdf

Idioma:

spa

Temas:

BOSQUES DE DECISION - TRANSFERENCIA DE APRENDIZAJE - RECONOCIMIENTO DE GESTOS - RECONOCIMIENTO DE CARACTERES - PROPAGACION DE ETIQUETAS - DECISION FORESTS - TRANSFER LEARNING - GESTURE RECOGNITION - OPTICAL CHARACTER RECOGNITION - LABEL PROPAGATION

Descripción:

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.

Identificador:

https://hdl.handle.net/20.500.12110/tesis_n5641_Goussies