
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.creator | Presotto, João Gabriel Camacho | - |
| Autor(es): dc.creator | Valem, Lucas Pascotti | - |
| Autor(es): dc.creator | de Sá, Nikolas Gomes | - |
| Autor(es): dc.creator | Pedronette, Daniel Carlos Guimarães | - |
| Autor(es): dc.creator | Papa, João Paulo | - |
| Data de aceite: dc.date.accessioned | 2025-08-21T19:51:32Z | - |
| Data de disponibilização: dc.date.available | 2025-08-21T19:51:32Z | - |
| Data de envio: dc.date.issued | 2025-04-29 | - |
| Data de envio: dc.date.issued | 2024-07-07 | - |
| Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.neucom.2024.127717 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/306521 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/306521 | - |
| Descrição: dc.description | Over the last decade, significant advances have been achieved by machine learning approaches, notably in supervised learning scenarios. Supported by the advent of deep learning and comprehensive training sets, the accuracy achieved on classification tasks has improved significantly. Simultaneously, we have experienced massive growth in multimedia data and applications, which have become ubiquitous in several domains. However, with the increase in multimedia data collections, significant bottlenecks associated with the lack of labeled data emerged. To surpass this critical issue, developing methods capable of exploiting the unlabeled data and operating under weak supervision has become imperative. This work proposes a rank-based model capable of using contextual information encoded in the unlabeled data to perform weakly supervised classification. We evaluated the proposed weakly supervised approach on multimedia classification tasks with and without manifold learning algorithms, considering several combinations of rank correlation measures and classifiers. An experimental evaluation was conducted on 6 public image datasets considering different features, including convolutional neural networks and visual transformers. Positive gains were achieved compared to supervised and semi-supervised baselines for the same amount of labeled data. For instance, the proposed approach with manifold learning enhanced the accuracy of the Optimum-Path Forest (OPF) classifier from 71.77% to 83.24% when applied to the Flowers dataset and ResNet features. Among the conclusions, this work reveals that rank-based correlation measures and manifold learning can be used for a more effective labeled set expansion. | - |
| Descrição: dc.description | Petrobras | - |
| Descrição: dc.description | Department of Statistics Applied Mathematics and Computing São Paulo State University - UNESP Rio Claro | - |
| Descrição: dc.description | Department of Computing São Paulo State University - UNESP | - |
| Descrição: dc.description | Department of Statistics Applied Mathematics and Computing São Paulo State University - UNESP Rio Claro | - |
| Descrição: dc.description | Department of Computing São Paulo State University - UNESP | - |
| Descrição: dc.description | Petrobras: 2017/00285-6 | - |
| Descrição: dc.description | Petrobras: 2023/00095-3 | - |
| Idioma: dc.language | en | - |
| Relação: dc.relation | Neurocomputing | - |
| ???dc.source???: dc.source | Scopus | - |
| Palavras-chave: dc.subject | Classification | - |
| Palavras-chave: dc.subject | Labeled training set expansion | - |
| Palavras-chave: dc.subject | Machine learning | - |
| Palavras-chave: dc.subject | Rank correlation measure | - |
| Palavras-chave: dc.subject | Weak supervision | - |
| Título: dc.title | Weakly supervised classification through manifold learning and rank-based contextual measures | - |
| 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: