Identificación y clasificación de escenas por causalidad de Wiener-Granger Öffentlichkeit Deposited
El reconocimiento y la clasificación de imágenes se han utilizado ampliamente para la investigación en sistemas de visión artificial, en un esfuerzo por emular la visión humana en las máquinas. El objetivo de este trabajo es implementar una nueva estrategia llamada teoría de la causalidad de Wiener-Granger (CWG), como un nuevo paradigma de “leer” o “visualizar” una imagen digital, en una analogía de cómo las leemos los humanos de forma secuencial en líneas, con el fin de clasificar las imágenes contenidas en una base de datos. Esta estrategia se basa en representar las imágenes por medio de las características propias extraídas, vistas como texturas, haciendo uso de la metodología de recuperación de imágenes basada en contenido propio o content based image retrieval (CBIR), estas texturas serán analizadas por medio de la teoría de CWG con el fin de encontrar las relaciones causales entre las texturas, que representen un escenario en particular; posteriormente, se implementa un algoritmo genético (AG) para seleccionar las relaciones causales más relevantes de los tipos de escenarios (clases) en la base de datos, para encontrar un único patrón descriptivo para cada uno de ellos. La metodología aquí propuesta consta de una etapa secuencial de extracción de características, una tarea de conformación de series temporales relacionadas a la imagen de estudio, una fase de estimación de causalidad y una selección de características de causalidad por medio del AG. Se implementó una etapa de clasificación y se utilizaron 700 imágenes de escenarios naturales para validar los resultados. Se desarrolló también la implementación del algoritmo propuesto dentro de un sistema de cómputo distribuido en paralelo reduciendo los tiempos de ejecución en un 84 % en comparación a la versión secuencial, logrando una eficiencia técnica del 100 % de reconocimiento y en pruebas de validación un 96 % de eficiencia por metodologías de resubstitución y validación cruzada respectivamente. Esta propuesta aporta una nueva perspectiva en el área de investigación del entendimiento y comprensión de las imágenes, y sus aplicaciones directas con aplicaciones a sistemas autónomos asistidos por visión.
Beziehungen
| Im Admin-Set: |
|---|
Beschreibungen
| Attributname | Werte |
|---|---|
| Creador | |
| Mitwirkende | |
| Tema | |
| Editor | |
| Idioma | |
| Identificador | |
| Stichwort | |
| Año de publicación |
|
| Tipo de Recurso | |
| Derechos | |
| División académica | |
| Línea académica | |
| Licencia |
Artikel
| Miniaturansicht | Titel | Datum Upload | Sichtbarkeit | Aktionen |
|---|---|---|---|---|
|
|
UAMII23367.pdf | 2020-07-29 | Öffentlichkeit |
|
