Algoritmo Semisupervisado para el etiquetado de imágenes basado en métodos de aprendizaje profundo

Plazas Wadynski, Miguel Alberto

Algoritmo Semisupervisado para el etiquetado de imágenes basado en métodos de aprendizaje profundo

dc.contributor.advisor	Ramos-Pollán, Raúl
dc.contributor.advisor	Martínez Carrillo, Fabio
dc.contributor.author	Plazas Wadynski, Miguel Alberto
dc.contributor.evaluator	Pedraza Ferreira, Gabriel Rodrigo
dc.contributor.evaluator	Cruz Roa, Ángel Alfonso
dc.date.accessioned	2022-04-20T14:54:54Z
dc.date.available	2022-04-20T14:54:54Z
dc.date.created	2022-03-30
dc.date.issued	2022-03-30
dc.description.abstract	Las técnicas de aprendizaje semi-supervisado (SSL) exploran estrategias para el descubrimiento progresivo de la estructura oculta y latente de los datos. Para ello, estas estrategias hacen propagación de información supervisada sobre datos no etiquetados, que se utilizan posteriormente para reforzar el aprendizaje. Estos esquemas son beneficiosos en la teledetección, donde se agregan miles de imágenes nuevas todos los días y los resultados del etiquetado manual son prohibitivos. Este trabajo presenta un enfoque novedoso de aprendizaje profundo semi-supervisado basado en conjuntos que inicialmente toma un subconjunto de datos etiquetados 𝒟ℓ, que representa la estructura latente de los datos, y propaga etiquetas de forma progresiva y automática desde un conjunto de datos de expansión sin etiquetar 𝒟𝓊. La estrategia de ensamble es un conjunto de clasificadores cuyas predicciones se recopilan para derivar una predicción consolidada. Solo aquellos datos que tienen una predicción de alta confianza se consideran etiquetas recién generadas. El enfoque propuesto se validó exhaustivamente en cuatro conjuntos de datos públicos, logrando resultados apreciables en comparación con los métodos de última generación en la mayoría de las configuraciones evaluadas. Para todos los conjuntos de datos, el enfoque propuesto logró una puntuación de F1-score y un Recall de hasta un 90%, en promedio. El esquema SSL y recursivo también demostró una ganancia promedio de ~2% en la última etapa de entrenamiento en conjuntos de datos grandes.
dc.description.abstractenglish	Semi-supervised learning (SSL) techniques explore the progressive discovery of the hidden latent data structure by propagating supervised information on unlabeled data which are thereafter used to reinforce learning. These schemes are beneficial in remote sensing, where thousands of new images are added every day, and manual labeling results are prohibitive. This work introduces a novel ensemble-based semi-supervised deep learning approach that initially takes a subset of labeled data 𝒟ℓ, which represents the latent structure of the data, and progressively propagates labels automatically from an expanding set of unlabeled data 𝒟𝓊. The ensemble is a set of classifiers whose predictions are collated to derive a consolidated prediction. Only those data having a high-confidence prediction are considered as newly generated labels. The proposed approach was exhaustively validated on four public datasets, achieving appreciable results compared to the state-of-the-art methods in most of the evaluated configurations. For all datasets, the proposed approach achieved a classification F1-score and recall of up to 90%, on average. The SSL and recursive scheme also demonstrated an average gain of ~2% at the last training stage in such large datasets.
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Ingeniería de Sistemas e Informática
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/20.500.14071/10062
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ingeníerias Fisicomecánicas
dc.publisher.program	Maestría en Ingeniería de Sistemas e Informática
dc.publisher.school	Escuela de Ingeniería de Sistemas e Informática
dc.rights	info:eu-repo/semantics/openAccess
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.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Aprendizaje semi-supervisado
dc.subject	detección remota
dc.subject	transferencia de aprendizaje
dc.subject	marco de trabajo de ensemble
dc.subject.keyword	Semi-supervised learning
dc.subject.keyword	deep learning
dc.subject.keyword	transfer learning
dc.subject.keyword	ensemble framework
dc.title	Algoritmo Semisupervisado para el etiquetado de imágenes basado en métodos de aprendizaje profundo
dc.title.english	Semi-Supervised Algorithm for Image Labeling Based on Deep Learning Methods
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría
dspace.entity.type