Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo

Autores
Pascal, Andrés Jorge; Planas, Adrián Nicolás; Castiglioni, León; Stauber, Federico J.; López, Martín Rodrigo
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión aceptada
Descripción
Los caracteres de hueso de oráculo (OBC) de la antigua China representan el sistema de escritura antiguo más renombrado a nivel mundial. El estudio e identificación de los OBC y su desciframiento se erigen como uno de los aspectos más cruciales dentro de la esfera de investigación de estos artefactos históricos. Entre los desafíos que enfrenta esta investigación, destaca el hecho de que la revisión de la literatura al respecto suele demandar considerables recursos temporales y de mano de obra. En consecuencia, la digitalización de la literatura OBC surge como una dirección inevitable para el desarrollo futuro de este campo. Por otro lado, durante la última década las Redes Neuronales Profundas Convolucionales (CNN) han demostrado un alto rendimiento en el procesamiento automático de imágenes. Este artículo presenta un enfoque que combina preprocesamiento, aumento de datos y modelos CNN para aprender una función de distancia para buscar por similitud caracteres OBC en un escenario Few-Shot Learning, utilizando una arquitectura de Redes Siamesas en su proceso de entrenamiento. La principal ventaja de utilizar Búsquedas por Similitud en lugar de modelos de clasificación, es que el sistema permite el agregado de nuevos elementos (clases) sin modificación del modelo ni reentrenamiento.
Fil: Pascal, Andrés Jorge. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Planas, Adrián Nicolás. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Castiglioni, León. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Stauber, Federico J. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: López, Martín Rodrigo. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Materia
Búsquedas por similitud
Metric learning
CNNs
Redes siamesas
Few-Shot learning
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2023-11-07T12:29:22Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/8714
Acceder
id RIAUTN_5b1087a086b4005de8ea5b348d2a3113
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/8714
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculoPascal, Andrés JorgePlanas, Adrián NicolásCastiglioni, LeónStauber, Federico J.López, Martín RodrigoBúsquedas por similitudMetric learningCNNsRedes siamesasFew-Shot learningLos caracteres de hueso de oráculo (OBC) de la antigua China representan el sistema de escritura antiguo más renombrado a nivel mundial. El estudio e identificación de los OBC y su desciframiento se erigen como uno de los aspectos más cruciales dentro de la esfera de investigación de estos artefactos históricos. Entre los desafíos que enfrenta esta investigación, destaca el hecho de que la revisión de la literatura al respecto suele demandar considerables recursos temporales y de mano de obra. En consecuencia, la digitalización de la literatura OBC surge como una dirección inevitable para el desarrollo futuro de este campo. Por otro lado, durante la última década las Redes Neuronales Profundas Convolucionales (CNN) han demostrado un alto rendimiento en el procesamiento automático de imágenes. Este artículo presenta un enfoque que combina preprocesamiento, aumento de datos y modelos CNN para aprender una función de distancia para buscar por similitud caracteres OBC en un escenario Few-Shot Learning, utilizando una arquitectura de Redes Siamesas en su proceso de entrenamiento. La principal ventaja de utilizar Búsquedas por Similitud en lugar de modelos de clasificación, es que el sistema permite el agregado de nuevos elementos (clases) sin modificación del modelo ni reentrenamiento.Fil: Pascal, Andrés Jorge. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.Fil: Planas, Adrián Nicolás. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.Fil: Castiglioni, León. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.Fil: Stauber, Federico J. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.Fil: López, Martín Rodrigo. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.2023-11-07T12:29:22Z2023-11-07T12:29:22Z2023-11-03info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciapdfapplication/pdf11 º Congreso Nacional de Ingeniería Informática / Sistemas de Información (2023)http://hdl.handle.net/20.500.12272/8714spainfo:eu-repo/semantics/openAccess2023-11-07T12:29:22Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalPascal, Andrés Jorge ; Planas, Adrián Nicolás ; Castiglioni, León ; Stauber, Federico J. ; López, Martín RodrigoNo comercial con fines académicos.reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:46:59Zoai:ria.utn.edu.ar:20.500.12272/8714instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:47:01.195Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
title Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
spellingShingle Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
Pascal, Andrés Jorge
Búsquedas por similitud
Metric learning
CNNs
Redes siamesas
Few-Shot learning
title_short Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
title_full Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
title_fullStr Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
title_full_unstemmed Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
title_sort Construcción de una función de distancia para consultar por similitud caracteres de hueso de oráculo
dc.creator.none.fl_str_mv Pascal, Andrés Jorge
Planas, Adrián Nicolás
Castiglioni, León
Stauber, Federico J.
López, Martín Rodrigo
author Pascal, Andrés Jorge
author_facet Pascal, Andrés Jorge
Planas, Adrián Nicolás
Castiglioni, León
Stauber, Federico J.
López, Martín Rodrigo
author_role author
author2 Planas, Adrián Nicolás
Castiglioni, León
Stauber, Federico J.
López, Martín Rodrigo
author2_role author
author
author
author
dc.subject.none.fl_str_mv Búsquedas por similitud
Metric learning
CNNs
Redes siamesas
Few-Shot learning
topic Búsquedas por similitud
Metric learning
CNNs
Redes siamesas
Few-Shot learning
dc.description.none.fl_txt_mv Los caracteres de hueso de oráculo (OBC) de la antigua China representan el sistema de escritura antiguo más renombrado a nivel mundial. El estudio e identificación de los OBC y su desciframiento se erigen como uno de los aspectos más cruciales dentro de la esfera de investigación de estos artefactos históricos. Entre los desafíos que enfrenta esta investigación, destaca el hecho de que la revisión de la literatura al respecto suele demandar considerables recursos temporales y de mano de obra. En consecuencia, la digitalización de la literatura OBC surge como una dirección inevitable para el desarrollo futuro de este campo. Por otro lado, durante la última década las Redes Neuronales Profundas Convolucionales (CNN) han demostrado un alto rendimiento en el procesamiento automático de imágenes. Este artículo presenta un enfoque que combina preprocesamiento, aumento de datos y modelos CNN para aprender una función de distancia para buscar por similitud caracteres OBC en un escenario Few-Shot Learning, utilizando una arquitectura de Redes Siamesas en su proceso de entrenamiento. La principal ventaja de utilizar Búsquedas por Similitud en lugar de modelos de clasificación, es que el sistema permite el agregado de nuevos elementos (clases) sin modificación del modelo ni reentrenamiento.
Fil: Pascal, Andrés Jorge. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Planas, Adrián Nicolás. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Castiglioni, León. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Stauber, Federico J. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: López, Martín Rodrigo. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
description Los caracteres de hueso de oráculo (OBC) de la antigua China representan el sistema de escritura antiguo más renombrado a nivel mundial. El estudio e identificación de los OBC y su desciframiento se erigen como uno de los aspectos más cruciales dentro de la esfera de investigación de estos artefactos históricos. Entre los desafíos que enfrenta esta investigación, destaca el hecho de que la revisión de la literatura al respecto suele demandar considerables recursos temporales y de mano de obra. En consecuencia, la digitalización de la literatura OBC surge como una dirección inevitable para el desarrollo futuro de este campo. Por otro lado, durante la última década las Redes Neuronales Profundas Convolucionales (CNN) han demostrado un alto rendimiento en el procesamiento automático de imágenes. Este artículo presenta un enfoque que combina preprocesamiento, aumento de datos y modelos CNN para aprender una función de distancia para buscar por similitud caracteres OBC en un escenario Few-Shot Learning, utilizando una arquitectura de Redes Siamesas en su proceso de entrenamiento. La principal ventaja de utilizar Búsquedas por Similitud en lugar de modelos de clasificación, es que el sistema permite el agregado de nuevos elementos (clases) sin modificación del modelo ni reentrenamiento.
publishDate 2023
dc.date.none.fl_str_mv 2023-11-07T12:29:22Z
2023-11-07T12:29:22Z
2023-11-03
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/acceptedVersion
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str acceptedVersion
dc.identifier.none.fl_str_mv 11 º Congreso Nacional de Ingeniería Informática / Sistemas de Información (2023)
http://hdl.handle.net/20.500.12272/8714
identifier_str_mv 11 º Congreso Nacional de Ingeniería Informática / Sistemas de Información (2023)
url http://hdl.handle.net/20.500.12272/8714
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2023-11-07T12:29:22Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Pascal, Andrés Jorge ; Planas, Adrián Nicolás ; Castiglioni, León ; Stauber, Federico J. ; López, Martín Rodrigo
No comercial con fines académicos.
eu_rights_str_mv openAccess
rights_invalid_str_mv 2023-11-07T12:29:22Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Pascal, Andrés Jorge ; Planas, Adrián Nicolás ; Castiglioni, León ; Stauber, Federico J. ; López, Martín Rodrigo
No comercial con fines académicos.
dc.format.none.fl_str_mv pdf
application/pdf
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230932049526784
score 13.24418

Publicaciones similares