Transferencia de aprendizaje para clasificación de peatones (Record no. 56893)

MARC details
000 -CABECERA
campo de control de longitud fija 02326naa a2200265 a 4500
003 - IDENTIFICADOR DEL NÚMERO DE CONTROL
campo de control AR-LpUFIB
005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN
campo de control 20250311170453.0
008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL
campo de control de longitud fija 230201s2018 xx r 000 0 spa d
024 8# - Otro identificador estandar
Número estándar o código DIF-M7790
-- 8006
-- DIF007118
040 ## - FUENTE DE LA CATALOGACIÓN
Centro catalogador/agencia de origen AR-LpUFIB
Lengua de catalogación spa
Centro/agencia transcriptor AR-LpUFIB
100 1# - ENTRADA PRINCIPAL--NOMBRE DE PERSONA
Nombre de persona Camele, Genaro
245 10 - MENCIÓN DE TÍTULO
Título Transferencia de aprendizaje para clasificación de peatones
300 ## - DESCRIPCIÓN FÍSICA
Extensión 1 archivo (1,1 MB)
500 ## - NOTA GENERAL
Nota general Formato de archivo PDF. -- Este documento es producción intelectual de la Facultad de Informática - UNLP (Colección BIPA/Biblioteca)
520 ## - SUMARIO, ETC.
Sumario, etc. Desde la aparición, en el año 2005, de los Histogramas de Gradientes Orientados (HOG) como descriptor para detección de peatones, han aparecido numerosas publicaciones que permitieron mejorar la clasificación agregando mejoras o comparando con nuevos descriptores. Del mismo modo, año a año aparecen nuevas bases de datos con imágenes de entornos reales, que permiten la evaluación de los modelos desarrollados. No obstante, la utilización de un modelo entrenado en un entorno real nuevo no siempre resulta trivial y es un tema pendiente de estudio para este dominio. En este artículo, presentamos un protocolo para evaluar la transferencia de aprendizaje entre tres de las bases de datos más utilizadas en la literatura: INRIA, Daimler y TUD-Brussels. Comparamos los descriptores HOG y Patrones Binarios Locales (LBP) en conjunto con Máquinas de Vectores de Soporte (SVM) como clasificador de base. Los resultados obtenidos muestran que si bien cada conjunto de datos presenta escenas del mundo real, existen diferencias significativas que hacen que un modelo entrenado con un conjunto de imágenes no funcione apropiadamente con otro. Por otro lado, encontramos que al entrenar un modelo con la mezcla de diferentes bases de datos permite una mayor transferencia de aprendizaje, si bien no siempre ayuda al entrenamiento de un conjunto de datos particular.
534 ## - NOTA SOBRE LA VERSIÓN ORIGINAL
Encabezamiento principal del original Congreso Argentino de Ciencias de la Computación (24to : 2018 : Tandil, Argentina)
650 #4 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA
Término de materia o nombre geográfico como elemento de entrada APRENDIZAJE AUTOMÁTICO
653 ## - TÉRMINO DE INDIZACIÓN--NO CONTROLADO
Término no controlado histogramas de gradientes orientados
653 ## - TÉRMINO DE INDIZACIÓN--NO CONTROLADO
Término no controlado detección de peatones
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Quiroga, Facundo Manuel
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Ronchetti, Franco
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Hasperué, Waldo
700 1# - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA
Nombre de persona Lanzarini, Laura Cristina
942 ## - ELEMENTOS DE PUNTO DE ACCESO ADICIONAL (KOHA)
Tipo de ítem Koha Capítulo de libro
Holdings
Estado de retiro Estado de pérdida Estado dañado Disponibilidad Colección Biblioteca permanente Biblioteca actual Fecha de adquisición Total de préstamos Signatura topográfica completa Fecha visto por última vez Identificador Uniforme del Recurso Precio válido a partir de Tipo de ítem Koha
      Recurso en Línea Biblioteca digital Biblioteca de la Facultad de Informática Biblioteca de la Facultad de Informática 11/03/2025   A0942 11/03/2025 http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=1687 11/03/2025 Capítulo de libro