Palabras clave
nearest neighbours
multi-threading
condensation
prototype selection
clasificación supervisada
vecinos cercanos
programación multihilos
condensación
selección de prototipos
Cómo citar
Resumen
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 impor- tante 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.
Citas
Artigas, J.M.; Capilla, P.; Felipe, A.; Pujol, J. (1995) Óptica Fisiológica: Psicofísica de la Visión. McGraw-Hill/Interamericana de España, Madrid.
Coren, S.; Ward, L.M.; Enns, J.T. (2001) Sensación y Percepción. McGraw-Hill/Interamericana de México, México.
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 nen: http://sci2s.ugr.es/sites/default/files/files/TematicWebSites/pr/T-4-2010-PSMethods.pdf.
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 on 34(3): 417–435.
Gonzalez R. C.; Woods R. E. (2008) Digital Image Processing, 3rd Edition. Pearson Prentice Hall, Upper Saddle River NJ.
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.
Hughes, C.; Hughes T. (2008) Professional Multicore Programming: Design and Implementation for C++ Developers. Wrox, Indiana.
Ilea, D.E.; Whelan, P.F. (2011) “Image segmentation based on the integration of colour-texture descriptors-A review”, Pattern Recognition 44(10): 2479–2501.
Jiménez, R.; Cuevas, C. (2011) “Curvas ROC y vecinos cercanos, propuesta de un nuevo algoritmo de condensación”, Revista de Matemática: Teoría y Aplicaciones 18(1): 21–32.
Lalkhen, A.G.; McCluskey, A. (2008) “Clinical tests: sensitivity and specificity”, Continuing Education in Anaesthesia, Critical Care & Pain 8(6): 221–223.
Ripley B.D. (1996) Pattern Recognition and Neural Networks. Cambridge University Press, Cambridge.