Busca avançada
Ano de início
Entree
(Referência obtida automaticamente do Web of Science, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores.)

Semi-supervised learning with connectivity-driven convolutional neural networks

Texto completo
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]
Número total de Autores: 8
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
Número total de Afiliações: 3
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
Linha de fomento: Auxílio à Pesquisa - Temático
Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
Beneficiário:José Alberto Cuminato
Linha de fomento: 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
Linha de fomento: Bolsas no Brasil - Mestrado
Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
Beneficiário:João Paulo Papa
Linha de fomento: Auxílio à Pesquisa - Regular