Browsing by Author "Messina, Pablo"

Now showing 1 - 3 of 3
  • Thumbnail Image
    Item
    A Survey on Deep Learning and Explainability for Automatic Report Generation from Medical Images
    (2022) Messina, Pablo; Pino, Pablo; Parra Santander, Denis; Soto Arriaza, Álvaro Marcelo; Besa, Cecilia; Uribe Arancibia, Sergio A.; Andía Kohnenkampf, Marcelo Edgardo; Tejos Núñez, Cristián Andrés; Prieto Vásquez, Claudia; Capurro, Daniel
  • Thumbnail Image
    Item
    Algorithmic and HCI Aspects for Explaining Recommendations of Artistic Images
    (2020) Domínguez Manquenahuel, Vicente; Donoso Guzmán, Ivania; Messina, Pablo; Parra Santander, Denis
  • Thumbnail Image
    Item
    Algorithms for visual art recommendation : leveraging visual features, metadata and implicit feedback
    (2019) Messina, Pablo; Parra Santander, Denis; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
    Los Sistemas Recomendadores nos ayudan a lidiar con la sobrecarga de información mediante la sugerencia de ítems relevantes conforme a nuestras preferencias. Si bien hay una gran cantidad de investigación en áreas como películas o música, la recomendación de obras de arte ha recibido comparativamente poca atención, a pesar del continuo crecimiento del mercado de arte. La mayoría de la investigación previa ha dependido de ratings y metadatos, y unos pocos trabajos recientes han aprovechado descriptores visuales extraídos con redes neuronales convolucionales (CNN) para recomendar arte digital. En este trabajo, contribuimos al área de recomendación de pinturas físicas originales mediante el estudio de algoritmos de recomendación basados en diferentes fuentes de información: metadatos, descriptores visuales hechos a mano, descriptores visuales neuronales e información colaborativa de la retroalimentación implícita de los usuarios. Implementamos y evaluamos nuestros algoritmos usando datos transaccionales de UGallery.com, una tienda de arte en línea. Además, proponemos un modelo de red neuronal novedoso para la tarea de recomendación de arte que combina contenido e información colaborativa. Lo llamamos YT-VBPR ya que esta inspirado en ideas del sistema de recomendación de aprendizaje profundo de Youtube y VBPR (un método de recomendación estado del arte que incorpora información visual). Nuestros resultados muestran que entre todos los métodos probados, YT-VBPR alcanza los mejores resultados. Además, una vez entrenado, YT-VBPR sólo necesita imágenes como entrada para recomendar, permitiendo generalizar fácilmente a nuevos usuarios e ítems sin entrenamiento adicional. Nuestra investigación puede proveer observaciones valiosas a investigadores y desarrolladores en el dominio de recomendación de arte en particular, y también a aquellos interesados en métodos de recomendación con contenido visual en general.