Por favor, use este identificador para citar o enlazar este ítem:
http://inaoe.repositorioinstitucional.mx/jspui/handle/1009/784| Clasificación de imágenes basada en subconjuntos de subgrafos frecuentes aproximados | |
| NIUSVEL ACOSTA MENDOZA | |
| JESUS ARIEL CARRAZCO OCHOA JOSE FRANCISCO MARTINEZ TRINIDAD ANDRÉS GAGO ALONSO | |
| Acceso Abierto | |
| Atribución-NoComercial-SinDerivadas | |
| Graph mining Frequent approximate subgraphs Emerging patterns Image classification Feature selection | |
| In recent years, there has been a significant increase in the use of frequent approximate
subgraph mining. This kind of mining has become an important research line and
is currently applied to several domains. Examples of such applications are the processing
and analysis of image databases, chemical components, citation networks, biological networks,
etc. Several algorithms have been proposed to compute the frequent approximate
subgraphs for different similarity functions among graphs. Only a few of these algorithms
have been applied to image classification, reporting better results than using frequent
subgraphs based on isomorphism.
In this thesis, a study of frequent approximate subgraph mining is carried out. This
mining technique has tackled the image classification problem successfully; specifically
methods addressing label’s approximations while maintaining graphs topology. In this
study, significant results obtained by using frequent approximate subgraphs as features
for image classification are presented.
This thesis focuses on reducing attributes dimensionality by using a subset of frequent
approximate subgraphs (patterns) suitable for image classification. Following this
idea, according to the experimental results, it is possible to improve the efficiency and
effectiveness of the classification process. En los últimos años se ha podido observar un incremento en el uso de la minería de subgrafos frecuentes aproximados (MSFA). Este tipo de minería, poco a poco, se ha convertido en una importante línea de investigación con un amplio espectro de aplicaciones en varios dominios de la ciencia. Ejemplos de tales aplicaciones son el procesamiento y análisis de bases de datos de imágenes, de componentes químicas, redes de citas, redes biológicas, etc. Para resolver el problema de la MSFA se han propuesto varios algoritmos con diferentes funciones de similitud entre grafos. De este grupo de algoritmos para la MSFA, pocos se han aplicado en la clasificación de imágenes, los cuales han reportado resultados superiores a los alcanzados utilizando minería de subgrafos frecuentes basado en isomorfismo (algoritmos exactos), en esta tarea. En esta tesis se realiza un estudio de la MSFA, específicamente de los métodos que tratan las aproximaciones entre etiquetas manteniendo la topología de los grafos. Esto se debe a que este tipo de algoritmos son los que se han aplicado en clasificación de imágenes, tarea en la que se basa esta tesis. En dicho estudio, se hace un resumen de los resultados obtenidos al utilizar los subgrafos frecuentes aproximados como atributos para la clasificación de las imágenes, donde se han reportado buenos resultados. Sin embargo, la dimensionalidad de los vectores de atributos crece mientras más pequeño sea el umbral de soporte utilizado en la MSFA, por lo que se reduce la aplicabilidad de estas técnicas en bases de datos con mayor número de instancias y/o grafos de mayor tamaño. Esta tesis se enfoca en reducir la dimensionalidad de los atributos utilizando un subconjunto de subgrafos frecuentes aproximados (patrones) para la clasificación de imágenes. Con esta estrategia, de acuerdo con los resultados obtenidos, se logra mejorar la eficiencia y eficacia del proceso de clasificación. | |
| Instituto Nacional de Astrofísica, Óptica y Electrónica | |
| 2013-07 | |
| Tesis de maestría | |
| Español | |
| Estudiantes Investigadores Público en general | |
| Acosta-Mendoza N. | |
| CIENCIA DE LOS ORDENADORES | |
| Versión aceptada | |
| acceptedVersion - Versión aceptada | |
| Aparece en las colecciones: | Maestría en Ciencias Computacionales |
Cargar archivos:
| Fichero | Tamaño | Formato | |
|---|---|---|---|
| AcostaMN.pdf | 817.76 kB | Adobe PDF | Visualizar/Abrir |