Español (pdf)
Articulo en XML
Referencias del artículo
Traducción automática
Enviar articulo por email
Permalink
Ver contenido en pdf.
Servicios Personalizados
Revista
Articulo
Indicadores
-
Citado por SciELO -
Accesos
Links relacionados
-
Similares en
SciELO
Compartir
Revista de Matemática Teoría y Aplicaciones
versión impresa ISSN 1409-2433
Rev. Mat vol.23 no.1 San José ene./jun. 2016
Artículos
Condensación controlada en k-NN y su aplicación para la identificación del color en tiempo real
Controlled condensation in k-NN and its application for real time color identification
1Facultad de Ingeniería, Universidad Anáhuac, México. E-Mail: maria.villar@anahuac.mx
2Facultad de Ciencias Actuariales, Universidad Anáhuac, México. E-Mail: ccuevas@anahuac.mx
Los algoritmos de vecinos cercanos (k-NN) son métodos ampliamente empleados en la clasificación estadística. Los cuales destacan por ser precisos y por no depender de ningún supuesto distribucional. A pesar de estas ventajas tienen el inconveniente de implicar un alto costo computacional. Conseguir formas eficientes de implementarlos es un reto importante para el desarrollo del reconocimiento de patrones. En este trabajo se discute una versión mejorada del algoritmo k-NN Condensación Controlada y se analiza su potencial en la identificación de color en tiempo real. Se basa en la representación de datos de entrenamiento en función de un conjunto reducido de prototipos informativos. Incluye dos parámetros que controlan el balance entre rapidez y precisión. Esto permite definir el porcentaje de condensación sin sacrificar demasiado la precisión del algoritmo. Probamos nuestra propuesta en un problema de clasificación instantánea en imágenes de video. Logramos la identificación de color en tiempo real mediante el algoritmo k-NN Condensación Controlada ejecutado con técnicas de programación multihilos. Los resultados obtenidos hasta el momento son alentadores.
Palabrasclave: clasificación supervisada; vecinos cercanos; programación multihilos; condensación; selección de prototipos
k-NN algorithms are frequently used in statistical classification. They are accurate and distribution free. Despite these advantages, k-NN algorithms imply a high computational cost. To find efficient ways to implement them is an important challenge in pattern recognition. In this article, an improved version of the k-NN Controlled Condensation algorithm is introduced. Its potential for instantaneous color identification in real time is also analyzed. This algorithm is based on the representation of data in terms of a reduced set of informative prototypes. It includes two parameters to control the balance between speed and precision. This gives us the opportunity to achieve a convenient percentage of condensation without incurring in an important loss of accuracy. We test our proposal in an instantaneous color identification exercise in video images. We achieve the real time identification by using k-NN Controlled Condensation executed through multi-threading programming methods. The results are encouraging.
Keywords: supervised classification; nearest neighbours; multi-threading; condensation; prototype selection
REFERENCIAS
Artigas, J.M.; Capilla, P.; Felipe, A.; Pujol, J.(1995) Óptica Fisiológica: Psicofísica de la Visión. McGraw-Hill/Interamericana de España, Madrid. [ Links ]
Coren, S.; Ward, L.M.; Enns, J.T.(2001) Sensación y Percepción. McGraw-Hill/Interamericana de México, México. [ Links ]
García, S.; Derrac, J.; Cano, J. R. ; Herrera, F.(2010) "Prototype selection for nearest neighbor classification: Survey of methods", Technical Report T-4-2010-PS Methods, Soft Computing and Intelligent Information Systems Research Group, Universidad de Granada. Disponible en: http://sci2s.ugr.es/sites/default/files/files/TematicWebSites/pr/T-4-2010-PSMethods.pdf. [ Links ]
Garcia, S.; Derrac, J.; Cano, J.R.; Herrera, F.(2012) "Prototype selection for nearest neighbor classification: Taxonomy and empirical study", Pattern Analysis and Machine Intelligence, IEEE Transactions on34(3): 417-435. [ Links ]
Gonzalez R. C.; Woods R. E. (2008) Digital Image Processing, 3rd Edition. Pearson Prentice Hall, Upper Saddle River NJ. [ Links ]
Guo, G.; Wang, H.; Bell, D.; Bi, Y.; Greer, K.(2003) "KNN model-based approach in classification", in On The Move to Meaningful Internet Systems 2003: CoopIS, DOA, and ODBASE, Springer, Berlin: 986-996. [ Links ]
Hughes, C.; HughesT.(2008) Professional Multicore Programming: Design and Implementation for C++ Developers. Wrox, Indiana. [ Links ]
Ilea, D.E.; Whelan, P.F.(2011) "Image segmentation based on the integration of colour-texture descriptors-A review", Pattern Recognition44(10): 2479-2501. [ Links ]
Jiménez, R.; Cuevas, C.(2011) "Curvas ROC y vecinos cercanos, propuesta de un nuevo algoritmo de condensación", Revista de Matemática: Teoría y Aplicaciones18(1): 21-32. [ Links ]
Lalkhen, A.G.; McCluskey, A.(2008) "Clinical tests: sensitivity and specificity", Continuing Education in Anaesthesia, Critical Care & Pain8(6): 221-223. [ Links ]
RipleyB.D.(1996) Pattern Recognition and Neural Networks. Cambridge University Press, Cambridge [ Links ]
Recibido: 04 de Junio de 2014; Revisado: 23 de Septiembre de 2015; Aprobado: 30 de Septiembre de 2015
Este es un artículo publicado en acceso abierto bajo una licencia Creative Commons
