Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning

Los algoritmos de aprendizaje de máquina semi supervisado permiten reducir el número de ejemplos necesarios en el proceso de entrenamiento de un clasi cador, esto se logra principalmente gracias a la selección de muestras particularmente representativas dentro de la población en estudio. El crite...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Tessore, Juan Pablo, Cicerchia, Lucas Benjamín, Esnaola, Leonardo Martín, Russo, Claudia, Ramón, Hugo
Otros Autores: 0000-0002-2111-0976
Formato: Documento de conferencia publishedVersion
Lenguaje:Español
Publicado: Universidad Nacional de San Juan 2023
Materias:
Machine Learning
Remote Sensing
Big Data
Acceso en línea:http://repositorio.unnoba.edu.ar/xmlui/handle/23601/648
Aporte de:
Re DI Repositorio Digital UNNOBA de Universidad Nacional del Noroeste de la Provincia de Buenos Aires
id I103-R405-23601-648
record_format dspace
spelling I103-R405-23601-6482023-12-07T20:28:46Z Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning Tessore, Juan Pablo Cicerchia, Lucas Benjamín Esnaola, Leonardo Martín Russo, Claudia Ramón, Hugo 0000-0002-2111-0976 0000-0003-0316-7896 0000-0001-6298-9019 0000-0002-0345-4783 0000-0003-1577-3092 Machine Learning Remote Sensing Big Data Los algoritmos de aprendizaje de máquina semi supervisado permiten reducir el número de ejemplos necesarios en el proceso de entrenamiento de un clasi cador, esto se logra principalmente gracias a la selección de muestras particularmente representativas dentro de la población en estudio. El criterio de selección de estas últimas es de gran importancia si queremos obtener clasi cadores con buen desempeño. En el presente trabajo, se estudia active learning, una técnica que constituye un caso especial de aprendizaje semi supervisado, además, se analizan tres heurísticas de selección de muestras para dicha técnica, aplicado al reconocimiento de cultivos en imágenes hiperespectrales. Como modelo base se utiliza support vector machines, y como heurísticas de selección de candidatos se contemplan tres variantes, random sampling, margin sampling y normalized entropy query-by-bagging. El primer criterio es una buena métrica de comparación, y los dos últimos fueron seleccionados debido a que son los de mejor desempeño de acuerdo a la literatura. Fil: Tessore, Juan Pablo. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Instituto de Investigación y Transferencia en Tecnología. Centro Asociado a la Comisión de Investigaciones Científicas de la Provincia de Buenos Aires; Argentina. Fil: Cicerchia, Lucas Benjamín. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Instituto de Investigación y Transferencia en Tecnología. Centro Asociado a la Comisión de Investigaciones Científicas de la Provincia de Buenos Aires; Argentina. Fil: Esnaola, Leonardo Martín. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Instituto de Investigación y Transferencia en Tecnología. Centro Asociado a la Comisión de Investigaciones Científicas de la Provincia de Buenos Aires; Argentina. Fil: Russo, Claudia. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Instituto de Investigación y Transferencia en Tecnología. Centro Asociado a la Comisión de Investigaciones Científicas de la Provincia de Buenos Aires; Argentina. Fil: Ramón, Hugo. Universidad Nacional del Noroeste de la Provincia de Buenos Aires. Instituto de Investigación y Transferencia en Tecnología. Centro Asociado a la Comisión de Investigaciones Científicas de la Provincia de Buenos Aires; Argentina. Con referato 2023-12-07T18:35:47Z 2023-12-07T18:35:47Z 2018-10-17 info:eu-repo/semantics/conferenceObject info:ar-repo/semantics/documento de conferencia info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/conferenceObject info:ar-repo/semantics/documento de conferencia info:eu-repo/semantics/publishedVersion info:eu-repo/semantics/conferenceObject info:ar-repo/semantics/documento de conferencia info:eu-repo/semantics/publishedVersion Tessore J. P., Cicerchia L. B., Esnaola L., Russo C. y Ramón H. (2018). Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning. XXVI Jornadas de Jóvenes Investigadores de la Asociación de Universidades Grupo Montevideo, San Juan, Argentina. http://repositorio.unnoba.edu.ar/xmlui/handle/23601/648 spa info:eu-repo/grantAgreement/UNNOBA/SIB2017/EXP 195/2017/AR. Buenos Aires/Tecnología y Aplicaciones de Sistemas de Software: Calidad e Innovación en procesos, productos y servicios http://grupomontevideo.org/site/wp-content/uploads/2019/03/jji-libro-de-resumenes1.pdf info:eu-repo/semantics/openAccess https://creativecommons.org/licenses/by-nc-nd/2.5/ar/ application/pdf application/pdf Universidad Nacional de San Juan XXVI Jornadas de Jóvenes Investigadores de la Asociación de Universidades Grupo Montevideo
institution Universidad Nacional del Noroeste de la Provincia de Buenos Aires
institution_str I-103
repository_str R-405
collection Re DI Repositorio Digital UNNOBA
language Español
topic Machine Learning
Remote Sensing
Big Data
spellingShingle Machine Learning
Remote Sensing
Big Data
Tessore, Juan Pablo
Cicerchia, Lucas Benjamín
Esnaola, Leonardo Martín
Russo, Claudia
Ramón, Hugo
Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning
topic_facet Machine Learning
Remote Sensing
Big Data
description Los algoritmos de aprendizaje de máquina semi supervisado permiten reducir el número de ejemplos necesarios en el proceso de entrenamiento de un clasi cador, esto se logra principalmente gracias a la selección de muestras particularmente representativas dentro de la población en estudio. El criterio de selección de estas últimas es de gran importancia si queremos obtener clasi cadores con buen desempeño. En el presente trabajo, se estudia active learning, una técnica que constituye un caso especial de aprendizaje semi supervisado, además, se analizan tres heurísticas de selección de muestras para dicha técnica, aplicado al reconocimiento de cultivos en imágenes hiperespectrales. Como modelo base se utiliza support vector machines, y como heurísticas de selección de candidatos se contemplan tres variantes, random sampling, margin sampling y normalized entropy query-by-bagging. El primer criterio es una buena métrica de comparación, y los dos últimos fueron seleccionados debido a que son los de mejor desempeño de acuerdo a la literatura.
author2 0000-0002-2111-0976
author_facet 0000-0002-2111-0976
Tessore, Juan Pablo
Cicerchia, Lucas Benjamín
Esnaola, Leonardo Martín
Russo, Claudia
Ramón, Hugo
format Documento de conferencia
Documento de conferencia
publishedVersion
Documento de conferencia
Documento de conferencia
publishedVersion
Documento de conferencia
Documento de conferencia
publishedVersion
author Tessore, Juan Pablo
Cicerchia, Lucas Benjamín
Esnaola, Leonardo Martín
Russo, Claudia
Ramón, Hugo
author_sort Tessore, Juan Pablo
title Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning
title_short Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning
title_full Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning
title_fullStr Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning
title_full_unstemmed Clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning
title_sort clasificación de cultivos en imágenes hiperespectrales utilizando algoritmos de active learning
publisher Universidad Nacional de San Juan
publishDate 2023
url http://repositorio.unnoba.edu.ar/xmlui/handle/23601/648
work_keys_str_mv AT tessorejuanpablo clasificaciondecultivosenimageneshiperespectralesutilizandoalgoritmosdeactivelearning
AT cicerchialucasbenjamin clasificaciondecultivosenimageneshiperespectralesutilizandoalgoritmosdeactivelearning
AT esnaolaleonardomartin clasificaciondecultivosenimageneshiperespectralesutilizandoalgoritmosdeactivelearning
AT russoclaudia clasificaciondecultivosenimageneshiperespectralesutilizandoalgoritmosdeactivelearning
AT ramonhugo clasificaciondecultivosenimageneshiperespectralesutilizandoalgoritmosdeactivelearning
_version_ 1850060865800241152

Ejemplares similares