Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost

El presente artículo aborda aspectos del entrenamiento de la máquina de aprendizaje AdaBoost con modelos de reconocimiento de objetos basados en características de apariencia tales como: Patrones Binarios Locales (LBP), Histograma de Gradientes Orientados (HOG) y características tipo Haar para la de...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autores principales:	Fernando Merchán, Sebastián Galeano, Héctor Poveda
Formato:	article
Lenguaje:	ES
Publicado:	Editorial Universitaria 2016
Materias:	detección de sonrisas adaboost características tipo haar patrones binarios locales histogramas de gradientes orientados Biotechnology TP248.13-248.65
Acceso en línea:	https://doaj.org/article/9544fc6e68744e4a9763e80713e310e3
Etiquetas:	Agregar Etiqueta Sin Etiquetas, Sea el primero en etiquetar este registro!

id	oai:doaj.org-article:9544fc6e68744e4a9763e80713e310e3
record_format	dspace
spelling	oai:doaj.org-article:9544fc6e68744e4a9763e80713e310e32021-11-16T19:59:28ZMejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost1680-88942219-6714https://doaj.org/article/9544fc6e68744e4a9763e80713e310e32016-06-01T00:00:00Zhttps://revistas.utp.ac.pa/index.php/id-tecnologico/article/view/21https://doaj.org/toc/1680-8894https://doaj.org/toc/2219-6714El presente artículo aborda aspectos del entrenamiento de la máquina de aprendizaje AdaBoost con modelos de reconocimiento de objetos basados en características de apariencia tales como: Patrones Binarios Locales (LBP), Histograma de Gradientes Orientados (HOG) y características tipo Haar para la detección de sonrisas. En este contexto realizamos un estudio del impacto de varios parámetros de entrenamiento de los modelos. Proponemos un nuevo enfoque con respecto a la selección de muestras positivas utilizadas en el periodo de aprendizaje. A diferencia de otros trabajos que utilizan como muestras positivas rostros sonrientes completos, proponemos utilizar únicamente la sección del rostro correspondiente a la boca sonriente. Las pruebas realizadas muestran que nuestro enfoque ofrece hasta un 40% de disminución en el tiempo de entrenamiento y hasta un 20% de disminución en el tiempo de detección con respecto al enfoque convencional, conservando una precisión de detección comparable. Además, se estudió la in!uencia de la normalización del tamaño de las imágenes de entrenamiento y prueba en ambos enfoques de entrenamiento. También se estudió el impacto del tamaño de las ventanas de análisis en el rendimiento de los métodos de detección para el caso de entrenamiento usando bocas sonrientes como muestras positivas.Fernando MerchánSebastián GaleanoHéctor PovedaEditorial Universitariaarticledetección de sonrisasadaboostcaracterísticas tipo haarpatrones binarios localeshistogramas de gradientes orientadosBiotechnologyTP248.13-248.65ESRevista de I + D Tecnológico, Vol 10, Iss 2, Pp 17-30 (2016)
institution	DOAJ
collection	DOAJ
language	ES
topic	detección de sonrisas adaboost características tipo haar patrones binarios locales histogramas de gradientes orientados Biotechnology TP248.13-248.65
spellingShingle	detección de sonrisas adaboost características tipo haar patrones binarios locales histogramas de gradientes orientados Biotechnology TP248.13-248.65 Fernando Merchán Sebastián Galeano Héctor Poveda Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost
description	El presente artículo aborda aspectos del entrenamiento de la máquina de aprendizaje AdaBoost con modelos de reconocimiento de objetos basados en características de apariencia tales como: Patrones Binarios Locales (LBP), Histograma de Gradientes Orientados (HOG) y características tipo Haar para la detección de sonrisas. En este contexto realizamos un estudio del impacto de varios parámetros de entrenamiento de los modelos. Proponemos un nuevo enfoque con respecto a la selección de muestras positivas utilizadas en el periodo de aprendizaje. A diferencia de otros trabajos que utilizan como muestras positivas rostros sonrientes completos, proponemos utilizar únicamente la sección del rostro correspondiente a la boca sonriente. Las pruebas realizadas muestran que nuestro enfoque ofrece hasta un 40% de disminución en el tiempo de entrenamiento y hasta un 20% de disminución en el tiempo de detección con respecto al enfoque convencional, conservando una precisión de detección comparable. Además, se estudió la in!uencia de la normalización del tamaño de las imágenes de entrenamiento y prueba en ambos enfoques de entrenamiento. También se estudió el impacto del tamaño de las ventanas de análisis en el rendimiento de los métodos de detección para el caso de entrenamiento usando bocas sonrientes como muestras positivas.
format	article
author	Fernando Merchán Sebastián Galeano Héctor Poveda
author_facet	Fernando Merchán Sebastián Galeano Héctor Poveda
author_sort	Fernando Merchán
title	Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost
title_short	Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost
title_full	Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost
title_fullStr	Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost
title_full_unstemmed	Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost
title_sort	mejoras en el entrenamiento de esquemas de detección de sonrisas basados en adaboost
publisher	Editorial Universitaria
publishDate	2016
url	https://doaj.org/article/9544fc6e68744e4a9763e80713e310e3
work_keys_str_mv	AT fernandomerchan mejorasenelentrenamientodeesquemasdedetecciondesonrisasbasadosenadaboost AT sebastiangaleano mejorasenelentrenamientodeesquemasdedetecciondesonrisasbasadosenadaboost AT hectorpoveda mejorasenelentrenamientodeesquemasdedetecciondesonrisasbasadosenadaboost
_version_	1718426117090574336

Mejoras en el Entrenamiento de Esquemas de Detección de Sonrisas Basados en AdaBoost

Ejemplares similares