Agrupamiento Espectral Multiclase Basado en Particiones Normalizadas
Multi-way spectral clustering based on normalized partitions
Barra lateral del artículo
PDF
FLIP
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Cuaderno Activa provee acceso libre inmediato a su contenido bajo el principio de hacer disponible gratuitamente la producción investigativa al público, fomentando un mayor intercambio de conocimiento científico.
Contenido principal del artículo
Resumen
Se presenta una metodología completa de análisis no supervisado orientada a la clasificación, empleando técnicas espectrales. Esta metodología incluye una etapa de agrupamiento no supervisado desarrollada con el criterio multiclase de particiones normalizadas. Se prefiere esta técnica porque no requiere un algoritmo de agrupamiento adicional. Además, genera una partición resultante adecuada ya que considera información obtenida de la solución propia. Adicionalmente, se aplican medidas de afinidad adecuadas y se realiza la estimación automática del número de grupos con el fin de reducir el tiempo de procesado y mejorar la convergencia del algoritmo. Los resultados experimentales son obtenidos sobre una base de datos de imágenes. La calidad del agrupamiento se mide en los resultados de la segmentación. Se introduce también una medida de desempeño no supervisada.
Descargas
Datos de publicación
Perfil evaluadores/as N/D
Declaraciones de autoría
- Editor y equipo editorial
- Perfiles
- Sociedad académica
- Tecnológico de Antioquia
- Editorial
- Tecnológico de Antioquia - Institución Universitaria
Para obtener más información sobre un dato, haga clic 
Public Facts Label - Plugin Mantenido por Public Knowledge Project
Detalles del artículo
Referencias (VER)
Chan, P. K., Schlag, M. D. F. & Zien, J.T. (1994). K-way ratio cut partitioning and clustering. IEEE Transactions on Computer-aided Design of Integrated Circuits and Systems, Nº 13, pp. 1088-1096.
Hendrickson, B. & Leland, R. (1995). An improved spectral graph partitioning algorithm for mapping parallel computations. SIAM Journal on Scientific Computing, Vol. 16, Nº 2, pp. 452-469.
Ishikawa, H. & Geiger, D. (1998). Segmentation by grouping junctions. In CVPR’98: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (p. 125). Washington: IEEE Computer Society.
Shi, J. & Malik, J. (2003). Normalized cuts and image segmentation. Proceedings of the Ninth IEEE International Conference on Computer Vision (p. 313). Washington: IEEE Computer Society.
Anh, B.T. & Thanh, D. D. (2007). A perron-frobenius theorem for positive quasi polynomial matrices associated with homogeneous difference equations. Journal of applied mathematics. Doi: 10.1155/2007/26075.
Maila, M. & Shi, J. (2001). Learning segmentation with random walk. In Neural Information Processing Systems (NIPS).
Zelnik, L. & Perona, P. (2004). Self-tuning spectral clustering. In Advances in Neural Information Processing Systems (pp. 160-168). Nº 17. MIT Press