Resumen

El aprendizaje activo multivista (MVAL) es una técnica que puede resultar en una gran disminución en el tamaño del espacio de versiones que el aprendizaje activo tradicional y tiene grandes aplicaciones potenciales en el análisis de datos a gran escala. Este artículo realizó una investigación sobre la clasificación de escenas basada en MVAL para ayudar a la computadora a comprender de manera precisa entornos diversos y complejos macroscópicamente, lo cual ha sido ampliamente utilizado en campos como la recuperación de imágenes y la conducción autónoma. La principal contribución de este artículo es que se utilizan diferentes semánticas de imágenes de alto nivel para reemplazar las características tradicionales de bajo nivel y generar hipótesis más independientes y diversas en MVAL. En primer lugar, nuestro algoritmo utiliza diferentes detectores de objetos para obtener respuestas locales de objetos en las escenas. Además, diseñamos un modelo LDA en línea en cascada para extraer la semántica temática de una imagen. Los resultados experimentales demuestran que nuestra estrategia de modelado temático propuesta se ajusta al aprend

• Materias:Big Data Segmentación de líneas Tráfico de red Reconocimiento de entidad Esquema de programación
• Subjects:Big Data Line segmentation Network traffic Entity recognition Programming scheme
• Palabras claves:Aprendizaje activo de múltiples vistas; MVAL; Clasificación de escenas; Semántica de imágenes de alto nivel; Detectores de objetos; Modelado de temas
• Keywords:Multiview active learning; MVAL; Scene classification; High-level image semantics; Object detectors; Theme modeling