Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos

Autores
Pascal, Andrés Jorge; Bonti, Agustina; Vidal Leiva, Florencia Zoe; Bonti, Iván Federico; Tonelotto, Lucas Francisco
Año de publicación
2023
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión aceptada
Descripción
En el panorama actual, las Búsquedas por Similitud emergen como un ámbito de profundo interés. La evaluación de la similitud entre objetos generalmente involucra el empleo de funciones métricas de distancia aplicadas a vectores que representan características extraídas a partir de los mismos. Este artículo se enfoca en la extracción de características aplicada a imágenes de logos de clubes, utilizando técnicas modernas de aprendizaje automático; en particular, Redes Neuronales Profundas Convolucionales (CNN), Redes Siamesas y Transfer Learning/Fine Tuning. Si bien estas técnicas son muy potentes, su aplicación conlleva en algunos casos el desafío del entrenamiento ante datos escasos (One Shot Learning, en este caso). En este estudio comparamos dos enfoques de extracción de características en el contexto de escasez de datos, proponemos un método eficaz de preprocesamiento, y evaluamos experimentalmente el rendimiento de ambos métodos aplicados a la búsqueda por similitud de logos.
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: Bonti, Agustina. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Vidal Leiva, Zoe Florencia. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Bonti, Iván Federico. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Tonelotto, Lucas Francisco. 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
Redes siamesas
One-Shot learning
CNNs
Nivel de accesibilidad
acceso abierto
Condiciones de uso
2023-11-07T12:17:45Z
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/8713
Acceder
id RIAUTN_b8a1b30232e6bdcfc52ef6db55ca6bb6
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/8713
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasosPascal, Andrés JorgeBonti, AgustinaVidal Leiva, Florencia ZoeBonti, Iván FedericoTonelotto, Lucas FranciscoBúsquedas por similitudRedes siamesasOne-Shot learningCNNsEn el panorama actual, las Búsquedas por Similitud emergen como un ámbito de profundo interés. La evaluación de la similitud entre objetos generalmente involucra el empleo de funciones métricas de distancia aplicadas a vectores que representan características extraídas a partir de los mismos. Este artículo se enfoca en la extracción de características aplicada a imágenes de logos de clubes, utilizando técnicas modernas de aprendizaje automático; en particular, Redes Neuronales Profundas Convolucionales (CNN), Redes Siamesas y Transfer Learning/Fine Tuning. Si bien estas técnicas son muy potentes, su aplicación conlleva en algunos casos el desafío del entrenamiento ante datos escasos (One Shot Learning, en este caso). En este estudio comparamos dos enfoques de extracción de características en el contexto de escasez de datos, proponemos un método eficaz de preprocesamiento, y evaluamos experimentalmente el rendimiento de ambos métodos aplicados a la búsqueda por similitud de logos.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: Bonti, Agustina. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.Fil: Vidal Leiva, Zoe Florencia. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.Fil: Bonti, Iván Federico. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.Fil: Tonelotto, Lucas Francisco. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.2023-11-07T12:17:45Z2023-11-07T12:17:45Z2023-11-03info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaplainapplication/pdf11 º Congreso Nacional de Ingeniería Informática / Sistemas de Información (2023)http://hdl.handle.net/20.500.12272/8713spainfo:eu-repo/semantics/openAccess2023-11-07T12:17:45Zhttp://creativecommons.org/licenses/by-nc-nd/4.0/Attribution-NonCommercial-NoDerivatives 4.0 InternacionalPascal, Andrés Jorge ; Bonti, Agustina ; Vidal Leiva, Florencia Zoe ; Bonti, Iván Federico ; Tonelotto, Lucas FranciscoNo comercial con fines académicos.reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:45:07Zoai:ria.utn.edu.ar:20.500.12272/8713instacron: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 12:45:07.353Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
title Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
spellingShingle Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
Pascal, Andrés Jorge
Búsquedas por similitud
Redes siamesas
One-Shot learning
CNNs
title_short Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
title_full Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
title_fullStr Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
title_full_unstemmed Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
title_sort Búsquedas por similitud de logos: extracción de características usando IA en escenarios de datos escasos
dc.creator.none.fl_str_mv Pascal, Andrés Jorge
Bonti, Agustina
Vidal Leiva, Florencia Zoe
Bonti, Iván Federico
Tonelotto, Lucas Francisco
author Pascal, Andrés Jorge
author_facet Pascal, Andrés Jorge
Bonti, Agustina
Vidal Leiva, Florencia Zoe
Bonti, Iván Federico
Tonelotto, Lucas Francisco
author_role author
author2 Bonti, Agustina
Vidal Leiva, Florencia Zoe
Bonti, Iván Federico
Tonelotto, Lucas Francisco
author2_role author
author
author
author
dc.subject.none.fl_str_mv Búsquedas por similitud
Redes siamesas
One-Shot learning
CNNs
topic Búsquedas por similitud
Redes siamesas
One-Shot learning
CNNs
dc.description.none.fl_txt_mv En el panorama actual, las Búsquedas por Similitud emergen como un ámbito de profundo interés. La evaluación de la similitud entre objetos generalmente involucra el empleo de funciones métricas de distancia aplicadas a vectores que representan características extraídas a partir de los mismos. Este artículo se enfoca en la extracción de características aplicada a imágenes de logos de clubes, utilizando técnicas modernas de aprendizaje automático; en particular, Redes Neuronales Profundas Convolucionales (CNN), Redes Siamesas y Transfer Learning/Fine Tuning. Si bien estas técnicas son muy potentes, su aplicación conlleva en algunos casos el desafío del entrenamiento ante datos escasos (One Shot Learning, en este caso). En este estudio comparamos dos enfoques de extracción de características en el contexto de escasez de datos, proponemos un método eficaz de preprocesamiento, y evaluamos experimentalmente el rendimiento de ambos métodos aplicados a la búsqueda por similitud de logos.
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: Bonti, Agustina. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Vidal Leiva, Zoe Florencia. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Bonti, Iván Federico. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
Fil: Tonelotto, Lucas Francisco. Universidad Tecnológica Nacional. Facultad Regional Concepción del Uruguay. Departamento Ingeniería en Sistemas de Información. Grupo de Investigación en Bases de Datos; Argentina.
description En el panorama actual, las Búsquedas por Similitud emergen como un ámbito de profundo interés. La evaluación de la similitud entre objetos generalmente involucra el empleo de funciones métricas de distancia aplicadas a vectores que representan características extraídas a partir de los mismos. Este artículo se enfoca en la extracción de características aplicada a imágenes de logos de clubes, utilizando técnicas modernas de aprendizaje automático; en particular, Redes Neuronales Profundas Convolucionales (CNN), Redes Siamesas y Transfer Learning/Fine Tuning. Si bien estas técnicas son muy potentes, su aplicación conlleva en algunos casos el desafío del entrenamiento ante datos escasos (One Shot Learning, en este caso). En este estudio comparamos dos enfoques de extracción de características en el contexto de escasez de datos, proponemos un método eficaz de preprocesamiento, y evaluamos experimentalmente el rendimiento de ambos métodos aplicados a la búsqueda por similitud de logos.
publishDate 2023
dc.date.none.fl_str_mv 2023-11-07T12:17:45Z
2023-11-07T12:17:45Z
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/20.500.12272/8713
identifier_str_mv 11 º Congreso Nacional de Ingeniería Informática / Sistemas de Información (2023)
url http://hdl.handle.net/20.500.12272/8713
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
2023-11-07T12:17:45Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Pascal, Andrés Jorge ; Bonti, Agustina ; Vidal Leiva, Florencia Zoe ; Bonti, Iván Federico ; Tonelotto, Lucas Francisco
No comercial con fines académicos.
eu_rights_str_mv openAccess
rights_invalid_str_mv 2023-11-07T12:17:45Z
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Pascal, Andrés Jorge ; Bonti, Agustina ; Vidal Leiva, Florencia Zoe ; Bonti, Iván Federico ; Tonelotto, Lucas Francisco
No comercial con fines académicos.
dc.format.none.fl_str_mv plain
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_ 1877230894054375424
score 13.265058

Publicaciones similares