BAOD : Budget-Aware Object Detection

"En este trabajo se estudió el problema de la detección de objetos desde una nueva perspectiva en la que las restricciones presupuestarias de anotación son tomadas en consideración. Cuando se tiene un presupuesto fijo, proponemos una estrategia para construir una base de datos diversa e informativa que se puede utilizar para entrenar de manera óptima un detector robusto. Se desarrollaron métodos basados tanto en optimización como en aprendizaje para escoger y anotar imágenes. Se adoptó una estrategia de entrenamiento supervisado híbrido para entrenar el detector de objetos usando anotaciones a nivel de imagen y de instancia. Se Realizó un exhaustivo estudio empírico que muestra que un método de optimización diseñado a mano supera a otras técnicas de selección que incluyen muestreo aleatorio, aprendizaje activo y aprendizaje por refuerzo."

• Autores: Pardo González, Luis Alejandro
• Fecha de publicación: 2019
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/35045
• Acceso en línea: http://hdl.handle.net/1992/35045
• Palabra clave: Visión por computador - Investigaciones; Sistemas de reconocimiento de configuraciones - Investigaciones; Procesamiento de imágenes - Técnicas digitales - Investigaciones; Redes neurales (Computadores) - Investigaciones; Aprendizaje activo - Investigaciones; Ingeniería
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/