Improving Optimum-Path Forest Classification Using Unsupervised Manifold Learning

Autor(es)

Afonso, Luis C. S. ; Pedronette, Daniel C. G. ; de Souza, Andre N. ; Papa, Joao P. ; IEEE

• Tipo de documento: Artigo Científico
• Fonte: 2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR); v. N/A, p. 6-pg., 2018-01-01.

Resumo

Appropriate metrics are paramount for machine learning and pattern recognition. In Content-based Image Retrieval-oriented applications, low-level features and pairwise-distance metrics are usually not capable of representing similarity among the objects as observed by humans. Therefore, metric learning from available data has become crucial in such applications, but just a few related approaches take into account the contextual information inherent from the samples for a better accuracy performance. In this paper, we propose a novel approach which combines an unsupervised manifold learning algorithm with the Optimum-Path Forest (OPF) classifier to obtain more accurate recognition rates, as well as we show it can outperform standard OPF-based classifiers that are trained over the original manifold. Experiments conducted in some public datasets evidenced the validity of metric learning in the context of OPF classifiers. (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: 17/22905-6 - Sobre a segurança de imagens utilizando aprendizado de máquina
• Beneficiário: Kelton Augusto Pontara da Costa
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 13/08645-0 - Reclassificação e agregação de listas para tarefas de recuperação de imagens
• Beneficiário: Daniel Carlos Guimarães Pedronette
• Modalidade de apoio: Auxílio à Pesquisa - Jovens Pesquisadores
• Processo FAPESP: 17/02286-0 - Modelos probabilísticos para detecção de perdas comerciais
• Beneficiário: André Nunes de Souza
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• 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