Una nueva arquitectura de Redes Neuronales Convolucionales para tareas de clasificación ordinal basada en Códigos de Corrección de Errores

• JAVIER BARBERO GÓMEZ ^[1] ; PEDRO ANTONIO GUTIÉRREZ PEÑA ^[1] ; CÉSAR HERVÁS MARTÍNEZ ^[1]
  1. [1] Universidad de Córdoba

     Universidad de Córdoba

     Cordoba, España

     
• Localización: El arte de investigar: Córdoba, del 3 al 6 de mayo de 2022 / Inmaculada Luque Moreno (dir. congr.), 2022, ISBN 978-84-9927-712-7, págs. 619-623
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Las tareas de regresión y clasificación automática de imágenes se encuentrandominadas por las Redes Neuronales Convolucionales, pero el desarrollo de estosmodelos se ha centrado principalmente en tareas convencionales de regresión devalores reales y clasificación binaria (dos clases) o nominal (más de dos clases).Existen tareas de clasificación en clases discretas que, sin embargo, presentanuna relación de orden entre las etiquetas como pueden ser grados de desarrollode una enfermedad, valoración en una escala de Likert o diferentes rangos deedad. El desempeño en estas tareas de clasificación ordinal puede mejorarse si el modelo utilizado explota esta información de orden. En este trabajo proponemosuna metodología genérica aplicable a cualquier modelo de Red NeuronalConvolucional, la cual está basada en Descomposición en Problemas Binarios yCódigos de Corrección de Errores y permite desempeñar tareas de clasificaciónordinal sobre datos estructurados como son las imágenes 2D. Para comprobarsu rendimiento, comparamos esta metodología con otras ya existentes sobre dosconjuntos de datos de clasificación ordinal.

  • English

    Automatic image regression and classification tasks are dominated by ConvolutionalNeural Networks, but the development of these models has mainly focusedon conventional real-value regression tasks and binary (two classes) or nominal(more than two classes) classification. There are discrete class classification taskswhich, however, have an ordering relationship between labels such as degrees ofdevelopment of a disease, Likert scale ratings or different age ranges. Performanceon these ordinal classification tasks has the potential to be improved ifthe model used exploits this ordering information. In this paper we propose ageneric methodology applicable to any Convolutional Neural Network model whichis based on Ordinal Binary Decomposition and Error Correction Codes and allowsperforming ordinal classification tasks on structured data such as 2D images. Totest its performance, we compare this methodology with other existing ones ontwo ordinal classification datasets.