Services on Demand
Journal
Article
Indicators
- Cited by SciELO
- Access statistics
Related links
- Similars in SciELO
Share
Computación y Sistemas
On-line version ISSN 2007-9737Print version ISSN 1405-5546
Abstract
ALIOSCHA-PEREZ, Mitchel; SAHLI, Hichem; GONZALEZ, Isabel and TABOADA-CRISPI, Alberto. Aprendizaje de múltiples núcleos esparcidos y no esparcidos para reconocimiento. Comp. y Sist. [online]. 2012, vol.16, n.2, pp.167-174. ISSN 2007-9737.
El desarrollo de técnicas MKL (aprendizaje de múltiples núcleos) ha sido de particular interés para los investigadores en el aprendizaje automatizado, en tópicos de visión por computadora, así como para el procesamiento de imágenes, clasificación de objetos, y reconocimiento del estado de los objetos. En ecuaciones donde se combinan múltiples núcleos, las normas de inducción de dispersión junto con las formulaciones de no dispersión, promueven diferentes grados de dispersión a nivel de los coeficientes de combinación, mientras que permiten la combinación no esparcida en los núcleos individuales. Esto hace de los modelos MKL muy adecuados para diferentes problemas, permitiendo la selección óptima del regularizador, y así lograr un mejor reconocimiento de acuerdo a la naturaleza del problema. En este trabajo, formulamos y discutimos las diferentes regularizaciones de MKL y los métodos de optimización relacionados, demostrando su efectividad en un problema de reconocimiento de visión por computadora.
Keywords : Aprendizaje de múltiples núcleos; reconocimiento del estado de objetos; regularizadores de normas; actualizaciones analíticas; método de planos cortantes; método de Newton.