Search

Dentro del machine learning, los problemas de clasificación siempre han constituido un principal foco de atención. El objetivo de estos problemas es generar una regla a partir de un conjunto de datos conocidos e intentar aplicar esa regla en un conjunto de datos desconocidos. Múltiples herramientas se han construido para solucionar este tipo de problemas. Algunas de estas herramientas se han combinado para abordar el problema desde otro punto de vista y han demostrado obtener resultados significativamente mejores. Los objetivos principales de este trabajo son el desarrollo de un nuevo algoritmo de clasificación basado en la combinación de otros clasificadores y en la generación de ruido de los conjuntos de datos, y el análisis y estudio de este. El desarrollo de este modelo se basa en la combinación de las decisiones que toman árboles de decisión entrenados con distintos conjuntos de datos. Los conjuntos de datos con los que se entrenan los árboles de decisión son previamente modificados mediante la generación de ruido. La generación de ruido que se realiza en este trabajo consiste en la modificación de la etiqueta de ciertos datos del conjunto. Al entrenar cada árbol de decisión con un conjunto diferente de datos, la decisión que va a tomar cada árbol es independiente a la que toman el resto de los árboles. La combinación de estas decisiones hace que se consigan buenos resultados. Los resultados obtenidos presentan una tasa de error menor que otros algoritmos de clasificación similares como Random forest, también basado en conjuntos de clasificadores, en algunos de los problemas propuestos. Los resultados que se adquieren dependen del contexto que se aborde, aunque, de forma general, podemos afirmar que se obtiene una reducción de la tasa de error, lo que supone que se ha desarrollado un algoritmo muy preciso.

We propose an appearance based machine learning architecturethat estimates and tracks in real time largerange head yaw given a single non-calibrated monoculargrayscale low resolution image sequence of the head. Thearchitecture is composed of five parallel template detectors,a Radial Basis Function Network and two Kalman filters.The template detectors are five view-specific images of thehead ranging across full profiles in discrete steps of 45 degrees.The Radial Basis Function Network interpolates theresponse vector from the normalized correlation of the inputimage and the 5 template detectors. The first Kalman filtermodels the position and velocity of the response vector infive dimensional space. The second is a running averagethat filters the scalar output of the network. We assume thehead image has been closely detected and segmented, that itundergoes only limited roll and pitch and that there are nosharp contrasts in illumination. The architecture is personindependentand is robust to changes in appearance, gestureand global illumination. The goals of this paper are,one, to measure the performance of the architecture, two,to asses the impact the temporal information gained fromvideo has on accuracy and stability and three, to determinethe effects of relaxing our assumptions. QC 20160426