Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/2585| Aprendizaje Profundo Localmente Ponderado para el Reconocimiento de Emociones | |
| Fernanda Hernández-Luquin | |
| Hugo Jair Escalante Balderas | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Emotion Recognition Machine Learning Local Learning | |
| En este trabajo de tesis se presenta un esquema llamado aprendizaje profundo localmente ponderado o también llamado Locally Weighted Deep Learning (LWDL). LWDL trata de adaptar una técnica de aprendizaje local en un modelo de aprendizaje profundo (deep learning) enfocado a tareas de clasificación de imágenes. La finalidad del LWDL es adaptar el aprendizaje local en la fase predictiva del modelo profundo para mejorar el desempeño en la tarea de clasificación. La idea se enfoca en tomar las mejores ventajas de los dos enfoques del aprendizaje profundo y el aprendizaje local para combinarlos y crear un modelo profundo más robusto. Los modelos locales tienen la capacidad de crear funciones de aproximación que se basan en considerar únicamente aquellas instancias del conjunto de entrenamiento que son relevantes para una instancia de punto de consulta. Para el caso del aprendizaje profundo, la ventaja más atractiva es que son modelos complejos capaces de extraer de manera automática las características de los datos de entrada y de manera conjunta llevar el proceso de clasificación. Uno de los enfoques del aprendizaje profundo que particularmente ha tenido éxito en el procesamiento de imágenes son las redes neuronales convolucionales (CNN). Se considera que las CNNs contienen dos fases: la extracción de características y la fase de clasificación. La solución que proponemos para mejorar la fase predictiva del modelo es adaptar un método incremental basado en el aprendizaje local para que la fase predictiva del modelo profundo construya su función de decisión basándose en información local. La razón es que un método incremental cuenta con fase de entrenamiento y prueba; así la función de decisión se construye basándose en aquellas instancias relacionadas entre sı. El LWDL se evalúa en conjuntos de datos de referencia usados para el reconocimiento de objetos, dígitos y emociones. Los resultados alcanzados demuestran que el LWDL mejora el rendimiento del modelo profundo en tareas de clasificación de imágenes y reconocimiento de emociones; que en comparativa con el estado del arte, se demostró tener resultados competitivos contra modelos complejos usados para el reconocimiento de emociones en imágenes. In this thesis work, we present a schema called Locally Weighted Deep Learning (LWDL). It integrates a local learning technique into a deep learning model. The aim is to adapt the local learning into the predictive phase in the model of a deep network to improve the performance of the classification task. The idea is to take the best advantages of the two approaches of deep learning and local learning to combine them and create a more robust deep model. A local model has the capability to create a decision boundary for the training dataset considering only the instances nearest to the query point. This kind of learning is not applied to a deep model; usually, deep networks are based on global learning, but its most attractive advantage is that they are complex models capable of automatically extracting features from the input data. One of the models with great success in image processing is the convolutional neural networks (CNNs). We can establish that the CNN contains two phases: feature extraction and classification or the predictive phase. The feature extraction is formed by convolutional layers that apply convolution operation over the input image to obtain feature maps that are processed by the predictive model phase. The advantage lies in both phases are worked jointly. The predictive phase contains one or several fully connected dense layers and an output layer. The layers contain neurons that, like a classifier based on a multi-layer neural network, use the entire data set to build the decision function. This type of learning is called global learning. Our solution consists to improve the predictive phase of the model by adapting an incremental method (based on local learning) on a deep learning model. The reason is that an incremental method has a training and testing phase; thus the decision function is built based on instances close to the query point. We evaluated the model in the reference data set used for object recognition, digit recognition, and emotion recognition. The results achieved show that the LWDL improves the performance of the deep model for some image classification tasks and in its comparison with the state of the art, it showed competitive results against complex models used for emotion recognition in images. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2024-05 | |
| Tesis de doctorado | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Hernández Luquin, M. F., (2024), Aprendizaje Profundo Localmente Ponderado para el Reconocimiento de Emociones, Tesis de Doctorado, Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| OTRAS ESPECIALIDADES TECNOLÓGICAS | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Doctorado en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| HERNANDEZLMF_DCC.pdf | 15.07 MB | Adobe PDF | Visualizar/Abrir |