Experimentos computacionales con métodos lineales en el reconocimiento taxonómico de insectos
Palabras clave:
taxonomía, descomposición espectral, reconocimiento, morfometría, PCA, LDA, LPP, SRDAResumen
Métodos de reconocimiento de objetos se aplicaron para la clasificación taxonómica mediante extracción de información característica de imágenes de alas de insectos. Se compara las alas de dos grupos de insectos (Hemiptera: Triatominae y Ceratopogonidae: Culicoides) a partir del análisis de las imágenes de distintos niveles taxonómicos (género, subgénero y especie). Contrario a la morfometría geométrica, la cual requiere la digitalización previa de coordenadas que expliquen la geometría del ala, el procesamiento completo de la imagen con ruido, mediante métodos lineales, muestra que aquellos basados en entrenamiento supervisado logran, en promedio, el mismo resultado que el método tradicional. Esto sugiere que toda la estructura del ala posee información taxonómica relevante.
Descargas
Métricas
Citas
Bartlett, M. S. (2001). Independent Component Representations for Face Recognition BT - Face Image Analysis by Unsupervised Learning. In M. S. Bartlett (Ed.) (pp. 39-67). Boston, MA: Springer US. https://doi.org/10.1007/978-1-4615-1637-8_3
Belhumeur, P., Hespanha, J., Kriegman, D. (1997). Eigenfaces vs. Fisherfaces: recognition using class specific linear projection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7), 711–720. https://doi.org/10.1109/34.598228
Bledsoe, W. W. (1966). The model method in facial recognition. Panoramic Research Inc., Palo Alto, CA, Rep. PR1, 15, 47.
Bruce, V. (1988). Recognising faces. Essays in cognitive psychology. Hillsdale, NJ: Lawrence Erlbaum Associates.
Cai, D., He, X., Han, J. (2007). Spectral Regression: A Unified Approach for Sparse Subspace Learning. In Seventh IEEE International Conference on Data Mining (ICDM 2007) (pp. 73-82). https://doi.org/10.1109/ICDM.2007.89
Cai, D., He, X., Han, J. (2008). SRDA: An efficient algorithm for large-scale discriminant analysis. IEEE Transactions on Knowledge and Data Engineering, 20(1), 1-12.
Chellappa, R., Wilson, C. L., Sirohey, S. (1995). Human and machine recognition of faces: a survey. Proceedings of the IEEE, 83(5), 705–741. https://doi.org/10.1109/5.381842
Chung, F. R. K. (1997). Spectral graph theory. American Mathematical Soc.
Coomans, D., Massart, D. L. (1982). Alternative k-nearest neighbour rules in supervised pattern recognition: Part 1. k-Nearest neighbour classification by using alternative voting rules. Analytica Chimica Acta, 136, 15-27.
de Carvalho, M. R., Bockmann, F. A., Amorim, D. S., Brandão, C. R. F. (2008). Systematics must Embrace Comparative Biology and Evolution, not Speed and Automation. Evolutionary Biology, 35(2), 150–157. https://doi.org/10.1007/s11692-008-9018-7
Favret, C., Sieracki, J. (2015). Machine vision automated species identification scaled towards production levels. Systematic Entomology, 41(1), 133–143. https://doi.org/10.1111/syen.12146
He, X., Niyogi, P. (2004). Locality Preserving Projections. In: Thrun, S., Saul,L. K., Schölkopf, B. (Eds.), Advances in Neural Information Processing Systems 16 (pp. 153–160). MIT Press. Retrieved from http://papers.nips.cc/paper/2359-locality-preserving-projections.pdf
He, X., Yan, S., Hu, Y., Niyogi, P., Zhang, H.-J. (2005). Face recognition using Laplacianfaces. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27(3), 328-340. https://doi.org/10.1109/TPAMI.2005.55
Linsker, R. (1988). Self-organization in a perceptual network. Computer, 21(3), 105-117.
MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley symposium on mathematical statistics and probability (Vol. 1, pp. 281-297).
Martineau, M., Conte, D., Raveaux, R., Arnault, I., Munier, D., Venturini, G. (2017). A Survey on Image-based Insect Classification. Pattern Recogn., 65(C), 273-284. https://doi.org/10.1016/j.patcog.2016.12.020
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Copyright © Autors. Creative Commons Attribution 4.0 License para cualquier artículo enviado a partir del 6 de junio de 2017. Para los manuscritos presentados anteriormente, se utilizó la licencia CC BY 3.0.
Usted es libre de:
Compartir — compartir y redistribuir el material publicado en cualquier medio o formato. |
Adaptar — combinar, transformar y construir sobre el material para cualquier propósito, incluso comercialmente. |
Bajo las siguientes condiciones:
Atribución — Debe otorgar el crédito correspondiente, proporcionar un enlace a la licencia e indicar si se realizaron cambios. Puede hacerlo de cualquier manera razonable, pero de ninguna manera que sugiera que el licenciador lo respalda a usted o a su uso. |
Sin restricciones adicionales: no puede aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita la licencia. |
Mayor información sobre este acuerdo de autoría y licencia, transferencia de derechos o solicitudes de reproducción, pueden ser consultados en este enlace.