Una nueva red neuronal para clustering y segmentación basada en el entorno
- Autores
- Lanzarini, Laura Cristina; De Giusti, Armando Eduardo
- Año de publicación
- 2000
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Este artículo presenta una nueva red neuronal para clustering y segmentación de los datos o patrones de entrada que, a diferencia de los modelos existentes, no requiere la indicación de parámetros de aceptación dependientes del problema. En la estrategia propuesta se realiza un preprocesamiento de los patrones a clasificar analizando su relación con sus vecinos más próximos según una medida de similitud. De esta manera, se caracterizan los clusters individualmente, facilitando la aplicación de la red y permitiendo obtener una respuesta específica para cada clase. Se muestran resultados de su aplicación en problemas cuyas clases poseen diferentes grados de dispersión, así como en imágenes color, correspondientes a muestras histológicas de tejido hepático , sobre las que se realizan tanto tareas de clustering como de segmentación utilizando el mismo método. La performance de esta nueva propuesta ha sido comparada con una red del tipo winner-take-all (WTA), basada en un único descriptor por clase, ampliamente utilizado en procesos de clustering y con el método CDL que utiliza varios descriptores por clase [2]. Finalmente, se presentan algunas conclusiones así como posibles líneas de trabajo futuras.
I Workshop de Agentes y Sistemas Inteligentes (WASI)
Red de Universidades con Carreras en Informática (RedUNCI) - Materia
-
Ciencias Informáticas
Neural nets
Clustering
Segmentation - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/23438
Ver los metadatos del registro completo
id |
SEDICI_b648c96d9dac725c77cc5c16b5c34f20 |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/23438 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Una nueva red neuronal para clustering y segmentación basada en el entornoLanzarini, Laura CristinaDe Giusti, Armando EduardoCiencias InformáticasNeural netsClusteringSegmentationEste artículo presenta una nueva red neuronal para clustering y segmentación de los datos o patrones de entrada que, a diferencia de los modelos existentes, no requiere la indicación de parámetros de aceptación dependientes del problema. En la estrategia propuesta se realiza un preprocesamiento de los patrones a clasificar analizando su relación con sus vecinos más próximos según una medida de similitud. De esta manera, se caracterizan los clusters individualmente, facilitando la aplicación de la red y permitiendo obtener una respuesta específica para cada clase. Se muestran resultados de su aplicación en problemas cuyas clases poseen diferentes grados de dispersión, así como en imágenes color, correspondientes a muestras histológicas de tejido hepático , sobre las que se realizan tanto tareas de clustering como de segmentación utilizando el mismo método. La performance de esta nueva propuesta ha sido comparada con una red del tipo winner-take-all (WTA), basada en un único descriptor por clase, ampliamente utilizado en procesos de clustering y con el método CDL que utiliza varios descriptores por clase [2]. Finalmente, se presentan algunas conclusiones así como posibles líneas de trabajo futuras.I Workshop de Agentes y Sistemas Inteligentes (WASI)Red de Universidades con Carreras en Informática (RedUNCI)2000-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/23438spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T10:55:26Zoai:sedici.unlp.edu.ar:10915/23438Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:55:26.809SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Una nueva red neuronal para clustering y segmentación basada en el entorno |
title |
Una nueva red neuronal para clustering y segmentación basada en el entorno |
spellingShingle |
Una nueva red neuronal para clustering y segmentación basada en el entorno Lanzarini, Laura Cristina Ciencias Informáticas Neural nets Clustering Segmentation |
title_short |
Una nueva red neuronal para clustering y segmentación basada en el entorno |
title_full |
Una nueva red neuronal para clustering y segmentación basada en el entorno |
title_fullStr |
Una nueva red neuronal para clustering y segmentación basada en el entorno |
title_full_unstemmed |
Una nueva red neuronal para clustering y segmentación basada en el entorno |
title_sort |
Una nueva red neuronal para clustering y segmentación basada en el entorno |
dc.creator.none.fl_str_mv |
Lanzarini, Laura Cristina De Giusti, Armando Eduardo |
author |
Lanzarini, Laura Cristina |
author_facet |
Lanzarini, Laura Cristina De Giusti, Armando Eduardo |
author_role |
author |
author2 |
De Giusti, Armando Eduardo |
author2_role |
author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Neural nets Clustering Segmentation |
topic |
Ciencias Informáticas Neural nets Clustering Segmentation |
dc.description.none.fl_txt_mv |
Este artículo presenta una nueva red neuronal para clustering y segmentación de los datos o patrones de entrada que, a diferencia de los modelos existentes, no requiere la indicación de parámetros de aceptación dependientes del problema. En la estrategia propuesta se realiza un preprocesamiento de los patrones a clasificar analizando su relación con sus vecinos más próximos según una medida de similitud. De esta manera, se caracterizan los clusters individualmente, facilitando la aplicación de la red y permitiendo obtener una respuesta específica para cada clase. Se muestran resultados de su aplicación en problemas cuyas clases poseen diferentes grados de dispersión, así como en imágenes color, correspondientes a muestras histológicas de tejido hepático , sobre las que se realizan tanto tareas de clustering como de segmentación utilizando el mismo método. La performance de esta nueva propuesta ha sido comparada con una red del tipo winner-take-all (WTA), basada en un único descriptor por clase, ampliamente utilizado en procesos de clustering y con el método CDL que utiliza varios descriptores por clase [2]. Finalmente, se presentan algunas conclusiones así como posibles líneas de trabajo futuras. I Workshop de Agentes y Sistemas Inteligentes (WASI) Red de Universidades con Carreras en Informática (RedUNCI) |
description |
Este artículo presenta una nueva red neuronal para clustering y segmentación de los datos o patrones de entrada que, a diferencia de los modelos existentes, no requiere la indicación de parámetros de aceptación dependientes del problema. En la estrategia propuesta se realiza un preprocesamiento de los patrones a clasificar analizando su relación con sus vecinos más próximos según una medida de similitud. De esta manera, se caracterizan los clusters individualmente, facilitando la aplicación de la red y permitiendo obtener una respuesta específica para cada clase. Se muestran resultados de su aplicación en problemas cuyas clases poseen diferentes grados de dispersión, así como en imágenes color, correspondientes a muestras histológicas de tejido hepático , sobre las que se realizan tanto tareas de clustering como de segmentación utilizando el mismo método. La performance de esta nueva propuesta ha sido comparada con una red del tipo winner-take-all (WTA), basada en un único descriptor por clase, ampliamente utilizado en procesos de clustering y con el método CDL que utiliza varios descriptores por clase [2]. Finalmente, se presentan algunas conclusiones así como posibles líneas de trabajo futuras. |
publishDate |
2000 |
dc.date.none.fl_str_mv |
2000-10 |
dc.type.none.fl_str_mv |
info:eu-repo/semantics/conferenceObject info:eu-repo/semantics/publishedVersion Objeto de conferencia http://purl.org/coar/resource_type/c_5794 info:ar-repo/semantics/documentoDeConferencia |
format |
conferenceObject |
status_str |
publishedVersion |
dc.identifier.none.fl_str_mv |
http://sedici.unlp.edu.ar/handle/10915/23438 |
url |
http://sedici.unlp.edu.ar/handle/10915/23438 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/ Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5) |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:SEDICI (UNLP) instname:Universidad Nacional de La Plata instacron:UNLP |
reponame_str |
SEDICI (UNLP) |
collection |
SEDICI (UNLP) |
instname_str |
Universidad Nacional de La Plata |
instacron_str |
UNLP |
institution |
UNLP |
repository.name.fl_str_mv |
SEDICI (UNLP) - Universidad Nacional de La Plata |
repository.mail.fl_str_mv |
alira@sedici.unlp.edu.ar |
_version_ |
1844615813731975168 |
score |
13.070432 |