Resumen

Junto con la sólida representación de la red neuronal convolucional (CNN), las tareas de clasificación de imágenes han logrado un progreso considerable. Sin embargo, la mayoría de los trabajos se centran en diseñar arquitecturas complicadas y redundantes para extraer características informativas y mejorar el rendimiento de la clasificación. En este estudio, nos concentramos en corregir las salidas incompletas de la CNN. Concretamente, proponemos un innovador método de clasificación de imágenes basado en el Aprendizaje de Rectificación de Etiquetas (LRL) a través de la máquina de aprendizaje extrema de núcleo (KELM). Principalmente consta de dos pasos: (1) preclasificación, extrayendo etiquetas incompletas a través de una CNN preentrenada, y (2) rectificación de etiquetas, corrigiendo las etiquetas incompletas generadas por la KELM para obtener las etiquetas corregidas. Los experimentos realizados en conjuntos de datos disponibles públicamente demuestran la efectividad de nuestro método. Cabe destacar que nuestro método

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Clasificación de imágenes; Red neuronal convolucional; Aprendizaje de Rectificación de Etiquetas; Máquina de aprendizaje extremo de núcleo; Etiquetas incompletas; Rendimiento
• Keywords:Image classification; Convolutional neural network; Label Rectification Learning; Kernel extreme learning machine; Incomplete labels; Performance