Tesiak aplikazio eremu nagusi bat du, indentifikazio biometrikoarekin zerikusi zuzenaduena, bi pausetan berieztuta: aurpegiaren kokapena eta honen klasifikazioa erauzitakoezaugarriekin. Kokapenari dagokionez, azala aurkitzean jarri degu arreta, irudi teknikaberriak erabiliz: irudi hiperespektrala, pixel bakoitzaren espektro balio anitz eskeintzendiguna. Beraz, imensionalitate handiko datuak maneiatu ditugu. Azalaren kokapenazehazteari klasifikazio arazo moduan aurre eman dugu. Active learning (ikasketaaktiboa) estrategia proposatu degu. Soluzio sendo eta interaktiboa da, zehastasunhandia eskaintzen duena gauzatze denbora laburran. Bestalde, erronka hau spectralunmixing bezela ere ikertu dugo, non endmember indukzio algoritmoek azalrenendmember errepresenatatiboak aurkitu eta irudietan hauen ugaritasuna kalkulatzenduten. Bereziki interesgarria da tesis onen kontribuzioa lattice metodoen eta sparsetekniken aplikazioan endmember-ak induzitzeko. Lattice teknika hauek emaitzaantzekoak edo hobeak erakutsi dituzte beste algoritmo lehiakorren aldean. Aurpegianidentifikatze arloan, ekarpen nagusiak dira ezaugarriak erausteko metodo berriak,lattice computing teknikak erabiliaz, eta hauen hibridazioa metodo linearrekin. Eraberean, extreme learning machine-kin konbinatu da. Hauek sare neuronal artifizialakikasteko sistema berriak dira. Emaitza experimentalak erreferentzia diren datu baseakerabiliaz baieztatu dira eta puntako algoritmoen emaitzekin lehiatzen dute.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados