Los invitamos a asistir a la charla del Prof. Matthew B. Blaschko el próximo jueves 30 de Abril a las 15.30hs. La misma será una excelente oportunidad para conocer a un investigador destacado de visión por computadora y aprendizaje automático.

Para darse una idea más detallada sobre los temas en que viene trabajando el Prof. Blaschko,
pueden visitar su página: http://pages.saclay.inria.fr/matthew.blaschko/

Fecha y Hora: 30 de Abril a las 15.30hs
Lugar: Labo del Departamento de Computacion (a confirmar)
Orador: Prof. Matthew B. Blaschko, Chargé de Recherche (INRIA) and Associate Professor(École Centrale Paris)

Titulo: Funciones de pérdida no modulares en predicción estructurada con aplicaciones a visión por computadora


Resumen: El aprendizaje estadístico ha sido una fuerza impulsora en el desarrollo de aplicaciones de visión artificial. Si bien la estimación estadística está muy bien desarrollada para la clasificación binaria y la regresión, no lo es tanto para la predicción de los resultados estructurados, tales como la segmentación de una imagen, o predicción de localización de objetos y partes interrelacionadas. Típicamente, las pérdidas modulares tales como pérdida de Hamming se aplican para este tipo de problemas de predicción. En esta charla investigamos el uso de funciones de pérdida no modulares, que pueden ser isomorfas a funciones submodular o supermodulares, y exploramos las funciones de pérdida sustitutas convexas en estos casos. Una cuestión importante es la complejidad computacional de minimización de riesgos regularizada mediante el sustituto convexa resultante, y mostramos sustitutos convexas tiempo polinómicas para ambas funciones de pérdida submodular y supermodulares.

Más información en http://www.dc.uba.ar/

Title: Non-modular Losses in Structured Prediction with Application to Computer Vision

Abstract: Statistical learning has been a driving force in the development of computer vision applications.  While statistical estimation is very well developed for binary classification and regression, it is less so for prediction of structured outputs, such as segmentation of an image, or prediction of object location and interrelated parts.  Typically, modular losses such as Hamming loss are applied for such prediction problems.  We investigate the use of non-modular loss functions, which may be isomorphic to submodular or supermodular set functions, and explore convex surrogate loss functions in these cases.  An important question is the computational complexity of regularized risk minimization using the resulting convex surrogate, and we show polynomial time convex surrogates for both
submodular and supermodular loss functions.

WebmasterBuenos AiresUniversidadesvisión por computadoraLos invitamos a asistir a la charla del Prof. Matthew B. Blaschko el próximo jueves 30 de Abril a las 15.30hs. La misma será una excelente oportunidad para conocer a un investigador destacado de visión por computadora y aprendizaje automático. Para darse una idea más detallada sobre los temas en...comunidad virtual para compartir y difundir: información, conocimiento y experiencias relacionadas con las Tecnologías de la Información y la Comunicación.