Resumen

La detección autónoma de objetos impulsada por técnicas de inteligencia artificial de vanguardia ha sido un componente esencial para sostener sistemas complejos de ciudades inteligentes. La clasificación de imágenes detallada se enfoca en reconocer subcategorías de niveles específicos de imágenes. Como resultado de la alta similitud entre imágenes en la misma categoría y la alta disimilitud en las mismas subcategorías, siempre ha sido un problema desafiante en visión por computadora. Los enfoques tradicionales suelen depender solo de la información visual en las imágenes. Por lo tanto, este artículo propone un nuevo marco de Fusión de Representación de Grafo de Conocimiento (KGRF) para introducir conocimiento previo en la tarea de clasificación de imágenes detalladas. Específicamente, se emplea la Red de Atención de Grafo (GAT) para aprender la representación del conocimiento a partir del grafo de conocimiento construido que modela las asociaciones categorías-subcategorías y subcategorías-atributos. Al introducir el módulo Multimodal Compact Bilinear (MCB

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Detección autónoma de objetos; Técnicas de inteligencia artificial; Clasificación de imágenes detallada; Fusión de representación en grafo de conocimiento; Red de atención en grafo; Compacto bilineal multimodal.
• Keywords:Autonomous object detection; Artificial intelligent techniques; Fine-grained image classification; Knowledge graph representation fusion; Graph attention network; Multimodal compact bilinear.