@Article{NegriSantDutr:2013:ApMoAp,
               author = "Negri, Rog{\'e}rio Galante and Sant'Anna, Sidinei Jo{\~a}o 
                         Siqueira and Dutra, Luciano Vieira",
          affiliation = "{Instituto Nacional de Pesquisas Espaciais (INPE)} and {} and 
                         {Instituto Nacional de Pesquisas Espaciais (INPE)}",
                title = "Aplica{\c{c}}{\~a}o de Modelos de Aprendizado 
                         Semissupervisionado na Classifica{\c{c}}{\~a}o de Imagens de 
                         Sensoriamento Remoto",
              journal = "Revista de Inform{\'a}tica Te{\'o}rica e Aplicada",
                 year = "2013",
               volume = "20",
               number = "2",
                pages = "32--54",
             keywords = "Aprendizado Semissupervisionado, Classifica{\c{c}}{\~a}o de 
                         Imagens, Sensoriamento Remoto.",
             abstract = "Nas mais diversas aplica{\c{c}}{\~o}es, a escassez de 
                         informa{\c{c}}{\~a}o para o devido treinamento e 
                         utiliza{\c{c}}{\~a}o de m{\'e}todos de Aprendizado de 
                         M{\'a}quina supervisionado {\'e} um problema persistente. Este 
                         fato motivou o desenvolvimento do paradigma de aprendizado 
                         semissupervisionado, que pode ser entendido como uma 
                         combina{\c{c}}{\~a}o de conceitos dos paradigmas supervisionado 
                         e n{\~a}o supervisionado. A maneira como o aprendizado {\'e} 
                         conduzido permite organizar os m{\'e}todos semissupervisonados em 
                         diferentes modelos. Este trabalho apresenta um estudo comparativo 
                         entre diferentes modelos de aprendizado semissupervisionado. 
                         {\'E} tamb{\'e}m proposta uma vers{\~a}o semissupervisonada do 
                         m{\'e}todo SVM, o qual alcan{\c{c}}ou melhor desempenho nas 
                         compara{\c{c}}{\~o}es realizadas. ABSTRACT: In many 
                         applications, the dearth of information to a proper training and 
                         use of supervised Machine Learning methods is a persistent 
                         problem. This fact led to the development of the semi-supervised 
                         learning paradigm. This paradigm can be understood as a 
                         combination of concepts of unsupervised and supervised paradigms. 
                         The way how the learning is conducted allows to organize the 
                         semi-supervised methods in different models. This paper presents a 
                         comparative study between different semisupervised learning 
                         models. It is also proposed a semi-supervised version of SVM, 
                         which achieved better performance in the comparisons made.",
                 issn = "0103-4308",
                label = "lattes: 8201805132981288 1 NegriSantDutr:2013:ApMoAp",
             language = "pt",
           targetfile = "36371-153838-1-PB.pdf",
                  url = "http://seer.ufrgs.br/rita/article/view/rita_v20_n2_p32",
        urlaccessdate = "01 maio 2024"
}