Resumen

Los modelos dispersos tienen múltiples aplicaciones en el aprendizaje automático y la visión por ordenador. El uso de un diccionario aprendido en lugar de uno "estándar" puede mejorar drásticamente el rendimiento en un conjunto de datos concreto. Sin embargo, aprender uno nuevo para cada subconjunto de datos (sujeto) con una granularidad fina puede resultar injustificado o poco práctico, debido a la disponibilidad restringida de muestras de subconjuntos de datos y al enorme número de sujetos. Para remediarlo, consideramos el problema de la personalización del diccionario, es decir, la especialización de un diccionario global existente correspondiente al conjunto total de datos, con la ayuda de muestras auxiliares obtenidas del subconjunto de datos objetivo. Inspirado en la observación y deducido a partir del análisis teórico, se emplea un regularizador que penaliza la diferencia entre el diccionario global y el personalizado. Al minimizar la suma de los errores de reconstrucción del regularizador anterior con restricciones de dispersión, explotamos las características del subconjunto de datos de destino contenidas en las muestras auxiliares, manteniendo al mismo tiempo los bocetos básicos almacenados en el diccionario global. Se presenta un algoritmo eficiente y se valida con experimentos sobre datos del mundo real.

• Materias:Análisis Matemático Matemáticas Algebra Ingeniería Lógica matemática
• Subjects:Mathematical Analysis mathematics Algebra Engineering Mathematical logic
• Palabras claves:Modelos dispersos; aprendizaje automático; visión por ordenador; diccionario aprendido; mejora del rendimiento; problema de personalización del diccionario.
• Keywords:Sparse models; machine learning; computer vision; learned dictionary; performance improvement; dictionary customization problem