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 | Pereira-Ferrero, Vanessa Helena | - |
Autor(es): dc.creator | Valem, Lucas Pascotti | - |
Autor(es): dc.creator | Leticio, Gustavo Rosseto | - |
Autor(es): dc.creator | Pedronette, Daniel Carlos Guimarães | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:23:57Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:23:57Z | - |
Data de envio: dc.date.issued | 2025-04-29 | - |
Data de envio: dc.date.issued | 2022-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/AIKE59827.2023.00020 | - |
Fonte completa do material: dc.identifier | https://hdl.handle.net/11449/307868 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/307868 | - |
Descrição: dc.description | Despite the great advances in the field of image classification, the association of ideal approaches that can bring improved results, considering different datasets, is still an open challenge. In this work, a novel approach is presented, based on a combination of compared strategies: features extraction for early fusion; rankings based on manifold learning for late fusion; and feature augmentation applied in a long short-term memory (LSTM) algorithm. The proposed method aims to investigate the effect of feature fusion (early fusion) and rankings fusion (late fusion) in the final results of image classification. The experimental results showed that the proposed strategies improved the accuracy of results in different tested datasets (such as CIFAR10, Stanford Dogs, Linnaeus5, Flowers102, and Flowers17) using a fusion of features from three convolutional neural networks - CNNs (ResNet152, VGG16, DPN92) and its respective generated rankings. The results indicated significant improvements and showed the potential of the approach proposed for image classification. | - |
Descrição: dc.description | Microsoft Research | - |
Descrição: dc.description | Petrobras | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing (DEMAC) São Paulo State University (UNESP), São Paulo | - |
Descrição: dc.description | Department of Statistics Applied Mathematics and Computing (DEMAC) São Paulo State University (UNESP), São Paulo | - |
Descrição: dc.description | Petrobras: 2023/00095-3 | - |
Formato: dc.format | 75-82 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings - 2023 IEEE 6th International Conference on Artificial Intelligence and Knowledge Engineering, AIKE 2023 | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | early fusion | - |
Palavras-chave: dc.subject | feature fusion | - |
Palavras-chave: dc.subject | image classification | - |
Palavras-chave: dc.subject | late fusion | - |
Palavras-chave: dc.subject | LSTM | - |
Palavras-chave: dc.subject | manifold learning | - |
Palavras-chave: dc.subject | ranking | - |
Título: dc.title | Feature Fusion and Augmentation based on Manifold Ranking for Image Classification | - |
Tipo de arquivo: dc.type | aula 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: