%0 Journal Article
%4 dpi.inpe.br/plutao/2013/05.31.19.25.16
%2 dpi.inpe.br/plutao/2013/05.31.19.25.17
%@issn 0103-4308
%F lattes: 8201805132981288 1 NegriSantDutr:2013:ApMoAp
%T Aplicação de Modelos de Aprendizado Semissupervisionado na Classificação de Imagens de Sensoriamento Remoto
%D 2013
%9 journal article
%A Negri, Rogério Galante,
%A Sant'Anna, Sidinei João Siqueira,
%A Dutra, Luciano Vieira,
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%@affiliation
%@affiliation Instituto Nacional de Pesquisas Espaciais (INPE)
%@electronicmailaddress rogerio@dpi.inpe.br
%@electronicmailaddress
%@electronicmailaddress dutra@dpi.inpe.br
%B Revista de Informática Teórica e Aplicada
%V 20
%N 2
%P 32-54
%K Aprendizado Semissupervisionado, Classificação de Imagens, Sensoriamento Remoto.
%X Nas mais diversas aplicações, a escassez de informação para o devido treinamento e utilização de métodos de Aprendizado de Máquina supervisionado é um problema persistente. Este fato motivou o desenvolvimento do paradigma de aprendizado semissupervisionado, que pode ser entendido como uma combinação de conceitos dos paradigmas supervisionado e não supervisionado. A maneira como o aprendizado é conduzido permite organizar os métodos semissupervisonados em diferentes modelos. Este trabalho apresenta um estudo comparativo entre diferentes modelos de aprendizado semissupervisionado. É também proposta uma versão semissupervisonada do método SVM, o qual alcançou melhor desempenho nas comparações 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.
%@language pt
%3 36371-153838-1-PB.pdf
%U http://seer.ufrgs.br/rita/article/view/rita_v20_n2_p32