Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.contributor | Temple University | - |
Autor(es): dc.creator | Valem, Lucas Pascotti | - |
Autor(es): dc.creator | Guimarães Pedronette, Daniel Carlos | - |
Autor(es): dc.creator | Latecki, Longin Jan | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:44:21Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:44:21Z | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2023-07-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.cviu.2022.103618 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/246625 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/246625 | - |
Descrição: dc.description | Due to a huge volume of information in many domains, the need for classification methods is imperious. In spite of many advances, most of the approaches require a large amount of labeled data, which is often not available, due to costs and difficulties of manual labeling processes. In this scenario, unsupervised and semi-supervised approaches have been gaining increasing attention. The GCNs (Graph Convolutional Neural Networks) represent a promising solution since they encode the neighborhood information and have achieved state-of-the-art results on scenarios with limited labeled data. However, since GCNs require graph-structured data, their use for semi-supervised image classification is still scarce in the literature. In this work, we propose a novel approach, the Manifold-GCN, based on GCNs for semi-supervised image classification. The main hypothesis of this paper is that the use of manifold learning to model the graph structure can further improve the GCN classification. To the best of our knowledge, this is the first framework that allows the combination of GCNs with different types of manifold learning approaches for image classification. All manifold learning algorithms employed are completely unsupervised, which is especially useful for scenarios where the availability of labeled data is a concern. A broad experimental evaluation was conducted considering 5 GCN models, 3 manifold learning approaches, 3 image datasets, and 5 deep features. The results reveal that our approach presents better accuracy than traditional and recent state-of-the-art methods with very efficient run times for both training and testing. | - |
Descrição: dc.description | Fulbright Austria | - |
Descrição: dc.description | Microsoft Research | - |
Descrição: dc.description | Petrobras | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | National Science Foundation | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing State University of São Paulo (UNESP), Av. 24-A, 1515, SP | - |
Descrição: dc.description | Department of Computer and Information Sciences Temple University, North 12th Street, 1925 | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing State University of São Paulo (UNESP), Av. 24-A, 1515, SP | - |
Descrição: dc.description | Petrobras: #2017/00285-6 | - |
Descrição: dc.description | FAPESP: #2017/25908-6 | - |
Descrição: dc.description | FAPESP: #2018/15597-6 | - |
Descrição: dc.description | FAPESP: #2020/11366-0 | - |
Descrição: dc.description | CNPq: #309439/2020-5 | - |
Descrição: dc.description | CNPq: #422667/2021-8 | - |
Descrição: dc.description | National Science Foundation: IIS-2107213 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Computer Vision and Image Understanding | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Graph Convolutional Networks | - |
Palavras-chave: dc.subject | Image classification | - |
Palavras-chave: dc.subject | Manifold learning | - |
Palavras-chave: dc.subject | Semi-supervised | - |
Título: dc.title | Graph Convolutional Networks based on manifold learning for semi-supervised image classification | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: