Algoritmo eficiente, robusto y con restricciones de similitud para el aprendizaje subespacial y la agrupación en clústeres con aplicaciones en imágenes comprimidas

Hinojosa Montero, Carlos Alberto

Algoritmo eficiente, robusto y con restricciones de similitud para el aprendizaje subespacial y la agrupación en clústeres con aplicaciones en imágenes comprimidas

dc.contributor.advisor	Argüello Fuentes, Henry
dc.contributor.author	Hinojosa Montero, Carlos Alberto
dc.contributor.evaluator	Pertuz Arroyo, Said David
dc.contributor.evaluator	Bautista Rozo, Lola Xiomara
dc.contributor.evaluator	Galvis Carreño, Laura Viviana
dc.contributor.evaluator	Carlsson, Marcus
dc.contributor.evaluator	Niebles, Juan Carlos
dc.date.accessioned	2022-05-04T21:40:54Z
dc.date.available	2022-05-04T21:40:54Z
dc.date.created	2022-05-04
dc.date.issued	2022-05-04
dc.description.abstract	El uso directo del algoritmo Sparse Subspace Clustering (SSC) en HSI presenta tres problemas principales: (1) Las HSI generalmente tienen ruido debido a su alta variabilidad de la información espectral y el ruido del sensor, lo que puede disminuir el rendimiento del agrupamiento si no se maneja adecuadamente; (2) Debido a la alta dimensionalidad de las HSI y la complejidad computacional de SSC, la mayoría de los algoritmos de agrupamiento trabajan en pequeñas regiones de interés seleccionadas; (3) dado que SSC ignora la información espacial en los HSI, su capacidad de discriminación es limitada, lo que dificulta la homogeneidad espacial de los resultados del agrupamiento. Esta tesis propone diseñar, desarrollar y simular un método eficiente, robusto y con restricciones de similitud para el agrupamiento subespacial, el cual pretende abordar estos tres problemas mencionados anteriormente. Específicamente, el capítulo 2 explora la inclusión de un término de regularización que reduce el ruido y mejora la precisión del agrupamiento. El capítulo 3 propone un algoritmo escalable que extrae características espaciales y realiza la agrupación de manera eficiente con alta precisión. El capítulo 4 adopta ideas de los dos capítulos anteriores para desarrollar un algoritmo rápido y robusto para HSI. Finalmente, los capítulos 5 y 6 proponen diferentes estrategias para realizar el agrupamiento directamente en las medidas comprimidas, evitando la reconstrucción.
dc.description.abstractenglish	Sparse Subspace Clustering (SSC) has become a popular tool for unsupervised learning because of its high performance. However, directly using SSC on HSIs poses three main problems: (1) HSIs typically have noise due to their high variability of the spectral information and sensor noise (acquisition), which may decrease the clustering performance if not handled appropriately; (2) Due to the high-dimensional nature of HSIs and computational complexity of SSC, most clustering algorithms can not be performed on the full HSIs but selected small regions of interest; (3) since SSC ignores the spatial information in the HSIs, their discrimination capability is limited, hampering the clustering results' spatial homogeneity. This thesis proposes designing, developing, and simulating an efficient, robust, and similarity-constrained method for subspace clustering to address these three relevant issues. Specifically, chapter 2 first explores the inclusion of a regularization term that reduces the noise and improves the clustering accuracy but still has high computational complexity. Then, chapter 3 proposes a scalable algorithm that extracts spatial features and performs clustering efficiently with high accuracy. Chapter 4 adopts ideas from the previous two chapters to develop a fast and robust algorithm. Finally, chapters 5 and 6 adopt the ideas developed in the previous chapters and propose different strategies to perform clustering and avoid expensive reconstruction.
dc.description.cvlac	https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001607639
dc.description.degreelevel	Doctorado
dc.description.degreename	Doctor en Ciencias de la Computación
dc.description.googlescholar	https://scholar.google.com/citations?user=KP02_jwAAAAJ
dc.description.orcid	https://orcid.org/0000-0001-9286-9587
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/10484
dc.language.iso	eng
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Doctorado en Ciencias de la Computación
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.subject	Clasificación no supervisada de imágenes comprimidas
dc.subject	algoritmo de agrupación
dc.subject	aprendizaje no supervisado
dc.subject.keyword	Compressive image clustering
dc.subject.keyword	spectral-spatial unsupervised classification
dc.subject.keyword	subspace clustering
dc.subject.keyword	unsupervised learning
dc.title	Algoritmo eficiente, robusto y con restricciones de similitud para el aprendizaje subespacial y la agrupación en clústeres con aplicaciones en imágenes comprimidas
dc.title.english	Efficient, Robust, and Similarity-constrained Algorithm for Subspace Learning and Clustering with Applications in Compressive Imaging
dc.type.coar	http://purl.org/coar/resource_type/c_db06
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Doctorado
dspace.entity.type