Escolar Documentos
Profissional Documentos
Cultura Documentos
de Manabí
RESUMEN
La apariencia visual de una persona se ve afectada fácilmente por muchos factores como
Esto hace que la Re-Identificación de personas entre varias cámaras sea una tarea muy
desafiante. Para obtener resultados óptimos se debe aprender atributos humanos de nivel bajo
que son robustos a tales variaciones de apariencia visual. El problema fundamental que se
conjunto de clases diferentes predeterminadas. Cada muestra o patrón está representada por
un conjunto de propiedades medidas, que se conoce por vector de características. Uno de los
métodos más potentes, y por ello ampliamente utilizado, para solucionar problemas de
clasificación es el uso de redes neuronales artificiales. Dentro del campo de las redes
ilimitadas, así como la elección para el comportamiento de sus neuronas. Se puede optar por
entrenamiento, que no es más que una serie de ejemplos, las redes neuronales son capaces de
descubrir patrones complejos ocultos en los datos, y basarse en ellos a la hora de asignar una
Existen otros métodos que proponen soluciones más o menos acertadas para el tratamiento
de los datos perdidos dependiendo del problema. Sin embargo, la filosofía del método que
describiremos en este trabajo consiste en realizar una estimación de los datos incompletos
Por otro lado, la configuración que hemos elegido para la red neuronal explota un concepto
simultánea al aprendizaje de otras tareas relacionadas (tareas secundarias). Las redes MTL
además de aprender la tarea principal, aprenden otras tareas secundarias relacionadas con la
En este caso, la tarea principal es la tarea de clasificación, y las tareas secundarias consistirán
en la estimación de los valores de cada una de sus características que presentan valores
empleará posteriormente para rellenar los valores incompletos de las muestras y conseguir
orientada por el aprendizaje de la tarea principal de clasificación. El método que siguen las
redes neuronales para aprender se basa en la minimización de una función de error. Para cada
diferencia entre ese resultado y el valor real que deberíamos haber obtenido y dependiendo
del análisis del valor de esta diferencia se modifica los parámetros de la red. Sin embargo, en
la aplicación de una red MTL, surgen problemas derivados de la minimización del error de
entrenamiento se distribuyen en dos grupos separados una cierta distancia, la red tiende a
imputar en el espacio vacío que hay entre los grupos, ya que de este modo minimiza su
función de error. Por tanto, en este caso, los valores imputados son muy poco probables, o
incluso improbables, teniendo en cuenta la distribución del conjunto de datos. (Wang, Zheng,
ANTECEDENTES
El método de aprendizaje máquina se conoce como red neuronal artificial (RNA). Estas redes
se diseñan para simular el aprendizaje del sistema nervioso humano. Consisten en un gran
número de nodos, o neuronas, interconectados unos con otros para resolver tareas. Las redes
neuronales se han revelado como un medio eficiente para mejorar el funcionamiento basado
en la experiencia, pero hay aún mucho trabajo por hacer en este campo. No existe una
que trabajan con ellas estarían de acuerdo en definir una RNA como un “sistema de
en paralelo, cada uno de los cuales tiene una pequeña cantidad de memoria”. (Horn, Fang, &
Masaki, 2009)
Las unidades operan sólo con la información disponible localmente, que reciben a través de
las conexiones con otras unidades mediante canales de comunicación por los que fluye
información de tipo numérico (frente a simbólico). Las redes neuronales artificiales tienen
una regla de aprendizaje que les permite aprender a partir de los datos que reciben del
reside el conocimiento de una RNA. Uno de los campos donde está más extendido el uso de
reconocimiento de patrones son resueltos mediante el aprendizaje de una única tarea. Este
aprendizaje, conocido como aprendizaje monotarea o STL (Single Task Learning), obvia las
tareas relacionadas con la primera. Así, por ejemplo, una persona que durante su formación
eficientemente la selección del personal de una empresa que otra que únicamente tiene
aprendizaje de una tarea principal se añaden tareas extra relacionadas. Este tipo de
Recientemente, muchos trabajos han aplicado estas ventajas al aprendizaje máquina, entre
ellos los trabajos llevados a cabo por García Laencina en relación a los conjuntos de datos
METODOLOGÍA
entre un número determinado de clases o categorías. De cualquier modo, hay muchas otras
tareas de reconocimiento de patrones, a las que nos referiremos como problemas de regresión,
en los que las salidas representan los valores de variables continuas. (Zhang, Du, Zou, Yuan,
términos de promediados sobre una cantidad aleatoria. Tanto los problemas de regresión
como los de clasificación pueden verse como casos particulares del problema de la
una función continua de regresión, mientras que, para los problemas de clasificación, lo que
expresadas como funciones de los valores de entrada. La mayoría de los asuntos que deben
tanto a clasificación como a regresión. (Fang, Yokomitsu, Horn, & Masaki, 2009)
Valores perdidos
encontrar muchos ejemplos de un objeto en los que no vemos alguna parte del mismo, y sin
embargo tiene que encontrar un modelo para el objeto completo. Similarmente, podemos
necesitar un controlador adaptativo para aprender a mapear las lecturas de un sensor con las
acciones correspondientes, incluso si los sensores son poco fiables y en algunas ocasiones no
incompletas (missing) son muy frecuentes en el aprendizaje máquina. (Lanz & Sebe, 2014)
Los datos perdidos son relativamente frecuentes en muchos problemas con datos reales,
algunas de las razones por las que pueden producirse son las siguientes:
crea sesgos potenciales en las estimaciones de los parámetros de interés. Respecto a los datos
incompletos en ítems hay diversas maneras de tratarlos. En los años setenta, la regla general
era olvidarlos, por lo que su tratamiento consistía en la eliminación de los casos con
ANÁLISIS
primera aproximación, el objetivo es mejorar las estimaciones realizadas por una red MTL,
basándonos en que la fdp estimada mediante el modelo GMM sirva de guía durante el
Extender el método propuesto para combinar la mezcla de gaussianas con la red MTL. Una
alternativa directa es introducir como entrada a la red MTL una variable indicadora de la
a la red una información adicional que permite distinguir entre distintos grupos en el espacio
como tarea secundaria, que guie tanto la imputación como la clasificación. (Lu et al., 2015)
RESULTADOS
Con este trabajo se presentan dos objetivos de una naturaleza bien distinta. El primero de
ellos radica en el estudio del estado del arte del algoritmo EM, de sus aplicaciones y de sus
algoritmo EM con una red MTL que realiza una imputación orientada a clasificación para
mejorar el rendimiento de ésta. El primero de los objetivos trata de sintetizar las teorías
propone un nuevo método para solucionar un problema de gran interés científico. (Zhao,
Implementar una versión robusta del algoritmo, con alta tasa de convergencia.
Crear un entorno visual que nos permita estudiar el comportamiento del algoritmo
atributos de bajo rango para la Re identificación de personas. Las cámaras múltiples se tratan
como tareas relacionadas, cuyas relaciones se descomponen como una estructura de bajo
rango compartida por todas las tareas y componentes dispersos específicos de tareas para
tareas individuales por MTL. Se utilizan tanto las características de bajo nivel como los
atributos semánticos / controlados por datos. Además, hemos propuesto una incorporación
de atributos de bajo rango que aprende las correlaciones de atributos para convertir atributos
mediante una optimización alterna bajo la relajación adecuada. Los experimentos en cuatro
propuesto.
Se realizado además un análisis extenso del estado del arte del algoritmo EM, comprobando
en distintos problemas las ventajas e inconvenientes que presenta. Por último, basándonos en
los resultados obtenidos con el modelado de mezclas de gaussianas mediante EM, hemos
aproximación, el objetivo es mejorar las estimaciones realizadas por una red MTL,
basándonos en que la fdp estimada mediante el modelo GMM sirva de guía durante el
de entrada incompleta.
REFERENCIAS
Fang, Y., Yokomitsu, S., Horn, B. K. P., & Masaki, I. (2009). A layered-based fusion-
based approach to detect and track the movements of pedestrians through partially
https://doi.org/10.1109/IVS.2009.5164337
Horn, B. K. P., Fang, Y., & Masaki, I. (2009). Hierarchical framework for direct gradient-
1400. https://doi.org/10.1109/IVS.2009.5164489
Lanz, O., & Sebe, N. (2014). Evaluating Multi-task Learning for Multi-view Head-Pose
Lian, D., Hu, L., Luo, W., Xu, Y., Duan, L., Yu, J., & Gao, S. (2018). Multiview Multitask
https://doi.org/10.1109/TNNLS.2018.2865525
Lu, G., Yan, Y., Ren, L., Song, J., Sebe, N., & Kambhamettu, C. (2015). Localize Me
https://doi.org/10.1109/ICCV.2015.280
Shaterian, M., Twigg, C. M., & Azhari, J. (2013). An MTL-Based Configurable Block for
Su, C., Yang, F., Zhang, S., Tian, Q., Davis, L. S., & Gao, W. (2015). Multi-Task Learning
with Low Rank Attribute Embedding for Person Re-Identification. 2015 IEEE
https://doi.org/10.1109/ICCV.2015.426
Su, C., Yang, F., Zhang, S., Tian, Q., Davis, L. S., & Gao, W. (2018). Multi-Task Learning
https://doi.org/10.1109/TPAMI.2017.2679002
Van Alten, C. J. (2011). Preservation theorems for MTL-chains. Logic Journal of IGPL,
Wang, X., Zheng, W.-S., Li, X., & Zhang, J. (2016). Cross-Scenario Transfer Person
Yan, Y., Ricci, E., Subramanian, R., Lanz, O., & Sebe, N. (2013). No Matter Where You
Yan, Y., Ricci, E., Subramanian, R., Liu, G., Lanz, O., & Sebe, N. (2016). A Multi-Task
Learning Framework for Head Pose Estimation under Target Motion. IEEE
https://doi.org/10.1109/TPAMI.2015.2477843
Yang, Y., Deng, C., Tao, D., Zhang, S., Liu, W., & Gao, X. (2016). Latent Max-Margin
Multitask Learning With Skelets for 3-D Action Recognition. IEEE Transactions on
Zhang, P., Du, X., Zou, J., Yuan, J., & Huang, S. (2018). Iterative Solution of MTL Based
Zhao, J., Chang, C.-K., & Itti, L. (2017). Learning to Recognize Objects by Retaining