Semi-supervised learning with connectivity-driven convolutional neural networks

Autor(es)

Amorim, Willian Paraguassu ^[1] ; Rosa, Gustavo Henrique ^[2] ; Thomazella, Rogerio ^[2] ; Cogo Castanho, Jose Eduardo ^[2] ; Lofrano Dotto, Fabio Romano ^[2] ; Rodrigues Junior, Oswaldo Pons ^[3] ; Marana, Aparecido Nilceu ^[2] ; Papa, Joao Paulo ^[2]

Afiliação do(s) autor(es)

^[1] Fed Univ Grande Dourados, BR-79804970 Dourados, MS - Brazil

^[2] Sao Paulo State Univ UNESP, BR-17033360 Bauru, SP - Brazil

^[3] Corumba Concessoes SA, BR-71200030 Brasilia, DF - Brazil

• Tipo de documento: Artigo Científico
• Fonte: PATTERN RECOGNITION LETTERS; v. 128, p. 16-22, DEC 1 2019.
• Citações Web of Science: 0

Resumo

The annotation of large datasets is an issue whose challenge increases as the number of labeled samples available to train the classifier reduces in comparison to the amount of unlabeled data. In this context, semi-supervised learning methods aim at discovering and propagating labels to unlabeled samples, such that their correct labeling can improve the classification performance. In this work, we propose a semi-supervised methodology that explores the optimum connectivity among unlabeled samples through the Optimum-Path Forest (OPF) classifier to improve the learning process of Convolution Neural Networks (CNNs). Our proposal makes use of the OPF to classify an unlabeled training set that is used to pre-train a CNN for further fine-tuning using the limited labeled data only. The proposed approach is experimentally validated on traditional datasets and provides competitive results in comparison to state-of-the-art semi-supervised learning methods. (C) 2019 Elsevier B.V. All rights reserved. (AU)

• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs
• Processo FAPESP: 15/25739-4 - Estudo de Semântica em Modelos de Aprendizado em Profundidade
• Beneficiário: Gustavo Henrique de Rosa
• Modalidade de apoio: Bolsas no Brasil - Mestrado
• Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Regular