Please use this identifier to cite or link to this item:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2529
Aprendizaje Incremental para la clasificación de objetos en un mundo real y dinámico | |
Yareli Aburto Sanchez | |
Eduardo Morales | |
Acceso Abierto | |
Atribución-NoComercial-SinDerivadas | |
Incremental Learning Machine Learning Convolutional Networks Hierarchical Tree Classifier Imagery Object Classification Support vector machine Open World | |
Classifiers have significantly increased their performance with the advent of deep learning methods. However, these classifiers require a large number of examples to operate, tend to be fragile in the presence of out-of-distribution examples, and are static in the sense that they are unable to learn to classify examples of new classes. Incremental learning has been developed as a way to gradually increase the number of classes supported by a classifier, without degrading its performance on previously learned classes. However, they still require a large number of examples to train to know when new classes are given to the classifier. In this thesis, we propose a new incremental learning classifier that can be trained with a single unlabeled example, does not need to know whether the example comes from an existing or known class, and is able to automatically obtain new instances and the name of the example class. Specifically, the proposed system uses a segmentation algorithm to obtain information of possible objects from an initially unknown environment, automatically obtains training examples and the class name of the segmented objects from the Internet, and builds an incremental classifier, using a hierarchical k-means algorithm and support vector machines. It is shown that the proposed system is able to operate under these open-world conditions with competitive performance under open-world conditions with competitive performance. Los clasificadores han aumentado significativamente su rendimiento con la llegada de los métodos de aprendizaje profundo. Sin embargo, estos clasificadores necesitan un gran número de ejemplos para funcionar, tienden a ser frágiles en presencia de ejemplos fuera de distribución, son estáticos, en el sentido de que son incapaces de aprender a clasificar ejemplos de nuevas clases. El aprendizaje incremental se ha desarrollado como una forma de aumentar gradualmente el número de clases admitidas por un clasificador, sin degradar su rendimiento en las clases previamente aprendidas. No obstante, siguen necesitando un gran número de ejemplos para entrenarse y los sistemas propuestos saben cuándo se dan nuevas clases al clasificador. En esta tesis, proponemos un nuevo clasificador de aprendizaje incremental que puede entrenarse con un único ejemplo sin etiquetar, no necesita saber si el ejemplo procede de una clase existente o conocida, y que es capaz de obtener automáticamente nuevas instancias y el nombre de la clase de ejemplo. En concreto, el sistema propuesto utiliza un algoritmo de segmentación para obtener información de posibles objetos de un entorno inicialmente desconocido, obtiene automáticamente de Internet ejemplos de entrenamiento y el nombre de la clase de los objetos segmentados, y construye un clasificador incremental, utilizando un algoritmo jerárquico con máquinas de vectores soporte. Se demuestra que el sistema propuesto es capaz de funcionar en condiciones de mundo abierto con un rendimiento competitivo. | |
Instituto Nacional de Astrofísica, Óptica y Electrónica | |
2024-03 | |
Tesis de maestría | |
Español | |
Estudiantes Investigadores Público en general | |
Aburto Sánchez, Y., (2024), Aprendizaje Incremental para la clasificación de objetos en un mundo real y dinámico, Tesis de Maestría, Instituto Nacional de Astrofísica, Óptica y Electrónica | |
OTRAS ESPECIALIDADES TECNOLÓGICAS | |
Versión aceptada | |
acceptedVersion - Versión aceptada | |
Appears in Collections: | Maestría en Ciencias Computacionales |
Upload archives
File | Size | Format | |
---|---|---|---|
ABURTOSY_MCC.pdf | 15.54 MB | Adobe PDF | View/Open |