Category-level visual object recognition using novel machine learning techniques
| dc.contributor.advisor | Soto Arriaza, Álvaro Marcelo | |
| dc.contributor.author | Peralta Márquez, Billy Mark | |
| dc.contributor.other | Pontificia Universidad Católica de Chile. Escuela de Ingeniería | |
| dc.date.accessioned | 2014-12-29T19:56:43Z | |
| dc.date.available | 2014-12-29T19:56:43Z | |
| dc.date.issued | 2013 | |
| dc.description | Tesis (Doctor in Engineering Sciences)--Pontificia Universidad Católica de Chile, 2013 | |
| dc.description.abstract | El reconocimiento automático visual de objetos genéricos es un área muy importante de estudio. Sin embargo, variaciones intra-clase y pose tanto como ruido de fondo de imagen y oclusiones parciales son algunas de las principales dificultades para lograr este objetivo. Como ejemplo de aplicación, robots con un sistema de visión confiable pueden obtener un mayor nivel de autonomía y comprensión semántica de sus entornos. Enfoques actuales del estado de arte para reconocimiento visual de categoría de objetos son generalmente basados en dos pasos principales: generación de descriptores visuales y entrenamiento de clasificadores visuales usando estos descriptores e imágenes etiquetadas. Además, estos pasos son usualmente complementados con técnicas orientadas a incluir informacion contextual en los modelos. En esta tesis, nosotros contribuimos al área de reconocimiento visual proponiendo tres técnicas orientadas a mejorar respectivamente cada uno de los pasos previos.Primero, introducimos una técnica para contruir descriptores visuales basados en representación de bolsa de palabras (BoWs). A diferencia de enfoques actuales basados en técnicas de clustering no supervisado, nuestra propuesta combina información no supervisada y supervisada conduciendo a representaciones de BoWs más discriminativas. Luego, presentamos una técnica para mejorar la performance de clasificadores visuales actuales usando un enfoque de divide-y-vencerás basado en el enfoque de Mixtura de Expertos (MoE). Nosotros innovamos con respecto al estado de arte de las actuales técnicas de MoE al incorporar un esquema de selección local embebida de características dentro cada clasificador visual. Finalmente, proponemos un enfoque que aprovechar la información contextual para mejorar la performance de las técnicas de reconocimiento de objetos. Nosotros innovamos en relacion a técnicas del estado de arte al considerar las relaciones contextuales entre clases de objetos como dependientes de la escena. Nosotros probamos la performance de todas estas técnicas al aplicarlas a bases de datos estándares de prueba. Nuestros resultados validan nuestras principales hipótesis mostrando mejoras en relación a métodos alternativos del estado de arte. Esto también muestra que las ideas presentadas en esta tesis representan una contribución relevante en el área del reconocimiento de categoría de objetos. | |
| dc.format.extent | xiv, 111 hojas | |
| dc.identifier.doi | 10.7764/tesisUC/ING/4974 | |
| dc.identifier.uri | https://doi.org/10.7764/tesisUC/ING/4974 | |
| dc.identifier.uri | https://repositorio.uc.cl/handle/11534/4974 | |
| dc.language.iso | en | |
| dc.nota.acceso | Contenido completo | |
| dc.rights | acceso abierto | |
| dc.subject.ddc | 620 | |
| dc.subject.dewey | Ingeniería | es_ES |
| dc.subject.other | Formación de imágenes tridimensionales. | es_ES |
| dc.subject.other | Procesamiento de imagen - Técnicas digitales. | es_ES |
| dc.title | Category-level visual object recognition using novel machine learning techniques | es_ES |
| dc.type | tesis doctoral | |
| sipa.codpersvinculados | 73678 | |
| sipa.codpersvinculados | 160241 |