|
Meritxell Vinyals, Arnau Ramisa and Ricardo Toledo. 2007. An Evaluation of an Object Recognition Schema using Multiple Region Detectors. Artificial Intelligence Research and Development, 163:213–222, ISBN: 978–1–58603–798–7, Proceedings of the 10th International Conference of the ACIA (CCIA’07).
|
|
|
Joan Marti, Jose Miguel Benedi, Ana Maria Mendonça and Joan Serrat. 2007. Pattern Recognition and Image Analysis. (LNCS.)
|
|
|
Fadi Dornaika and Angel Sappa. 2008. Real Time Image Registration for Planar Structure and 3D Sensor Pose Estimation. In Asim Bhatti, ed. Stereo Vision.299–316.
|
|
|
David Aldavert and Ricardo Toledo. 2008. Stereo Vision Local Map Alignment for Robot Environment Mapping. Robot Vision Second International Workshop, RobVis.111–124. (LNCS.)
|
|
|
Niki Aifanti, Angel Sappa, N. Grammalidis and Sotiris Malassiotis. 2009. Advances in Tracking and Recognition of Human Motion. Encyclopedia of Information Science and Technology.65–71.
|
|
|
Angel Sappa, Niki Aifanti, Sotiris Malassiotis and Michael G. Strintzis. 2009. Prior Knowledge Based Motion Model Representation. In Horst Bunke, JuanJose Villanueva and Gemma Sanchez, eds. Progress in Computer Vision and Image Analysis.
|
|
|
Angel Sappa, ed. 2010. Computer Graphics and Imaging.
|
|
|
Angel Sappa and George A. Triantafyllid. 2012. Computer Graphics and Imaging.
|
|
|
Cristhian Aguilera, M.Ramos and Angel Sappa. 2012. Simulated Annealing: A Novel Application of Image Processing in the Wood Area. In Marcos de Sales Guerra Tsuzuki, ed. Simulated Annealing – Advances, Applications and Hybridizations.91–104.
|
|
|
Katerine Diaz and Francesc J. Ferri. 2013. Extensiones del método de vectores comunes discriminantes Aplicadas a la clasificación de imágenes.
Abstract: Los métodos basados en subespacios son una herramienta muy utilizada en aplicaciones de visión por computador. Aquí se presentan y validan algunos algoritmos que hemos propuesto en este campo de investigación. El primer algoritmo está relacionado con una extensión del método de vectores comunes discriminantes con kernel, que reinterpreta el espacio nulo de la matriz de dispersión intra-clase del conjunto de entrenamiento para obtener las características discriminantes. Dentro de los métodos basados en subespacios existen diferentes tipos de entrenamiento. Uno de los más populares, pero no por ello uno de los más eficientes, es el aprendizaje por lotes. En este tipo de aprendizaje, todas las muestras del conjunto de entrenamiento tienen que estar disponibles desde el inicio. De este modo, cuando nuevas muestras se ponen a disposición del algoritmo, el sistema tiene que ser reentrenado de nuevo desde cero. Una alternativa a este tipo de entrenamiento es el aprendizaje incremental. Aquí se proponen diferentes algoritmos incrementales del método de vectores comunes discriminantes.
|
|