| Revista: | Computación y sistemas |
| Base de datos: | PERIÓDICA |
| Número de sistema: | 000359284 |
| ISSN: | 1405-5546 |
| Autores: | Alioscha Pérez, Mitchel1 Sahli, Hichem2 González, Isabel2 Taboada Crispi, Alberto1 |
| Instituciones: | 1Universidad Central "Marta Abreu" de Las Villas, Centro de Estudios de Electrónica y Tecnologias de la Información, Villa Clara. Cuba 2Vrije Universiteit Brussel, Department of Electronics and Informatics, Bruselas. Bélgica |
| Año: | 2012 |
| Periodo: | Abr-Jun |
| Volumen: | 16 |
| Número: | 2 |
| Paginación: | 167-174 |
| País: | México |
| Idioma: | Inglés |
| Tipo de documento: | Artículo |
| Enfoque: | Aplicado, descriptivo |
| Resumen en español | 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 |
| Resumen en inglés | The development of Multiple Kernel Techniques has become of particular interest for machine learning researchers in Computer Vision topics like image processing, object classification, and object state recognition. Sparsity-inducing norms along with non-sparse formulations promote different degrees of sparsity at the kernel coefficient level, at the same time permitting non-sparse combination within each individual kernel. This makes MKL models very suitable for different problems, allowing adequate selection of the regularizer according to different norms and the nature of the problem. We formulate and discuss MKL regularizations and optimization approaches, as well as demonstrate MKL effectiveness compared to the state-of-the-art SVM models using a Computer Vision Recognition problem |
| Disciplinas: | Ciencias de la computación |
| Palabras clave: | Procesamiento de datos, Aprendizaje de máquinas, Núcleos múltiples, Reconocimiento del estado de objetos, Método de planos cortantes, Método de Newton |
| Keyword: | Computer science, Data processing, Machine learning, Multiple kernels, Object state recognition, Cutting planes method, Newton method |
| Texto completo: | Texto completo (Ver HTML) |
