{"id":{"repo_id":"oviedo","oai_identifier":"oai:digibuo.uniovi.es:10651/30540"},"canonical_url":"https://search.dev.ndltd.org/etd/oviedo/oai:digibuo.uniovi.es:10651/30540","repository":{"repo_id":"oviedo","name":"Universidad de Oviedo","base_url":"https://digibuo.uniovi.es/oai/request"},"display":{"title":"Image indexing optimization. Biometric and biomedical applications","abstract":"La interpretación automática de imágenes es un reto de la inteligencia artificial, el reconocimiento de patrones y la visión por ordenador, con aplicaciones en seguridad (autentificación), biometría y biomedicina, por nombrar algunas de ellas. En esta tesis doctoral se desarrolla una metodología robusta para analizar y resolver este tipo de problemas, consistente en: 1. Analizar y comparar los principales métodos de descomposición espectral, utilizados en la reducción de dimensión en este tipo de problemas. 2. Diseñar un algoritmo de aprendizaje por consenso, basado en diferentes clasificadores k-NN por vecino próximo, construidos a partir de diferentes tipos de atributos de carácter diverso, tales como, atributos espectrales, estadísticos y descriptores regionales, de las diferentes imágenes del conjunto de aprendizaje (o entrenamiento). El análisis de diversidad de los clasificadores posee una capital importancia en este diseño, para reducir la ambigüedad en la clasificación. Dicho clasificador pertenece originalmente a la categoría de aprendizaje no supervisado. 3. Explorar y explotar el espacio de incertidumbre generado mediante la generalización de dicho algoritmo de consenso a la categoría de aprendizaje supervisado, con objeto de mejorar la precisión de la predicción, y proporcionar adicionalmente un conjunto de soluciones plausibles del problema de identificación, que constituyen una muestra representativa de la incertidumbre intrínseca de dicho problema biométrico. Esta metodología ha sido aplicada al problema de reconocimiento de caras y al análisis del grado histológico de cánceres de mama triplemente negativos, a partir de imágenes histológicas de los mismos. En ambos casos se han obtenido resultados muy prometedores. Futuras investigaciones serán dedicadas al estudio de otras técnicas biométricas (iris, huellas digitales, etc.), y también otras aplicaciones biomédicas, consistentes en el diseño de robots capaces de asesorar a los médicos en la toma de decisiones.","abstract_html":"La interpretación automática de imágenes es un reto de la inteligencia artificial, el reconocimiento de patrones y la visión por ordenador, con aplicaciones en seguridad (autentificación), biometría y biomedicina, por nombrar algunas de ellas. En esta tesis doctoral se desarrolla una metodología robusta para analizar y resolver este tipo de problemas, consistente en: 1. Analizar y comparar los principales métodos de descomposición espectral, utilizados en la reducción de dimensión en este tipo de problemas. 2. Diseñar un algoritmo de aprendizaje por consenso, basado en diferentes clasificadores k-NN por vecino próximo, construidos a partir de diferentes tipos de atributos de carácter diverso, tales como, atributos espectrales, estadísticos y descriptores regionales, de las diferentes imágenes del conjunto de aprendizaje (o entrenamiento). El análisis de diversidad de los clasificadores posee una capital importancia en este diseño, para reducir la ambigüedad en la clasificación. Dicho clasificador pertenece originalmente a la categoría de aprendizaje no supervisado. 3. Explorar y explotar el espacio de incertidumbre generado mediante la generalización de dicho algoritmo de consenso a la categoría de aprendizaje supervisado, con objeto de mejorar la precisión de la predicción, y proporcionar adicionalmente un conjunto de soluciones plausibles del problema de identificación, que constituyen una muestra representativa de la incertidumbre intrínseca de dicho problema biométrico. Esta metodología ha sido aplicada al problema de reconocimiento de caras y al análisis del grado histológico de cánceres de mama triplemente negativos, a partir de imágenes histológicas de los mismos. En ambos casos se han obtenido resultados muy prometedores. Futuras investigaciones serán dedicadas al estudio de otras técnicas biométricas (iris, huellas digitales, etc.), y también otras aplicaciones biomédicas, consistentes en el diseño de robots capaces de asesorar a los médicos en la toma de decisiones.","abstract_has_math":false,"creators":["Cernea Corbeanu, Ana"],"institution":null,"degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Fernández Martínez, Juan Luis"],"committee_chairs":[],"committee_members":[],"year":2014,"date_issued":"2014-11-07","date_published":"2014-11-07","updated_at":"2026-07-24T03:41:41Z","subjects":["Matemáticas y estadística","Análisis numérico","Inteligencia artificial","Biometría","Sistemas de control médico"],"languages":["eng"],"rights":["CC Reconocimiento - No comercial - Sin obras derivadas 4.0 Internacional"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"identifier_entries":[]},"links":{"outbound_url":"http://hdl.handle.net/10651/30540","outbound_label":"Handle","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Fernández Martínez, Juan Luis"]},{"key":"dc:contributor.other","label":"Dc Contributor Other","values":["Matemáticas, Departamento de"]},{"key":"dc:creator","label":"Author","values":["Cernea Corbeanu, Ana"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2015-03-26T18:59:56Z"]},{"key":"dc:date.available","label":"Dc Date Available","values":["2015-03-26T18:59:56Z"]},{"key":"dc:date.issued","label":"Date","values":["2014-11-07"]},{"key":"dc:type","label":"Dc Type","values":["doctoral thesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Matemáticas y estadística","Análisis numérico","Inteligencia artificial","Biometría","Sistemas de control médico"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language.iso","label":"Language (ISO)","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["CC Reconocimiento - No comercial - Sin obras derivadas 4.0 Internacional"]},{"key":"dc:rights.uri","label":"Rights URI","values":["http://creativecommons.org/licenses/by-nc-nd/4.0/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["http://hdl.handle.net/10651/30540"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["La interpretación automática de imágenes es un reto de la inteligencia artificial, el reconocimiento de patrones y la visión por ordenador, con aplicaciones en seguridad (autentificación), biometría y biomedicina, por nombrar algunas de ellas. En esta tesis doctoral se desarrolla una metodología robusta para analizar y resolver este tipo de problemas, consistente en: 1. Analizar y comparar los principales métodos de descomposición espectral, utilizados en la reducción de dimensión en este tipo de problemas. 2. Diseñar un algoritmo de aprendizaje por consenso, basado en diferentes clasificadores k-NN por vecino próximo, construidos a partir de diferentes tipos de atributos de carácter diverso, tales como, atributos espectrales, estadísticos y descriptores regionales, de las diferentes imágenes del conjunto de aprendizaje (o entrenamiento). El análisis de diversidad de los clasificadores posee una capital importancia en este diseño, para reducir la ambigüedad en la clasificación. Dicho clasificador pertenece originalmente a la categoría de aprendizaje no supervisado. 3. Explorar y explotar el espacio de incertidumbre generado mediante la generalización de dicho algoritmo de consenso a la categoría de aprendizaje supervisado, con objeto de mejorar la precisión de la predicción, y proporcionar adicionalmente un conjunto de soluciones plausibles del problema de identificación, que constituyen una muestra representativa de la incertidumbre intrínseca de dicho problema biométrico. Esta metodología ha sido aplicada al problema de reconocimiento de caras y al análisis del grado histológico de cánceres de mama triplemente negativos, a partir de imágenes histológicas de los mismos. En ambos casos se han obtenido resultados muy prometedores. Futuras investigaciones serán dedicadas al estudio de otras técnicas biométricas (iris, huellas digitales, etc.), y también otras aplicaciones biomédicas, consistentes en el diseño de robots capaces de asesorar a los médicos en la toma de decisiones."]},{"key":"dc:title","label":"Title","values":["Image indexing optimization. Biometric and biomedical applications"]}]}],"canonical_facts":{"dc:contributor.advisor":["Fernández Martínez, Juan Luis"],"dc:contributor.other":["Matemáticas, Departamento de"],"dc:creator":["Cernea Corbeanu, Ana"],"dc:date.accessioned":["2015-03-26T18:59:56Z"],"dc:date.available":["2015-03-26T18:59:56Z"],"dc:date.issued":["2014-11-07"],"dc:description.abstract":["La interpretación automática de imágenes es un reto de la inteligencia artificial, el reconocimiento de patrones y la visión por ordenador, con aplicaciones en seguridad (autentificación), biometría y biomedicina, por nombrar algunas de ellas. En esta tesis doctoral se desarrolla una metodología robusta para analizar y resolver este tipo de problemas, consistente en: 1. Analizar y comparar los principales métodos de descomposición espectral, utilizados en la reducción de dimensión en este tipo de problemas. 2. Diseñar un algoritmo de aprendizaje por consenso, basado en diferentes clasificadores k-NN por vecino próximo, construidos a partir de diferentes tipos de atributos de carácter diverso, tales como, atributos espectrales, estadísticos y descriptores regionales, de las diferentes imágenes del conjunto de aprendizaje (o entrenamiento). El análisis de diversidad de los clasificadores posee una capital importancia en este diseño, para reducir la ambigüedad en la clasificación. Dicho clasificador pertenece originalmente a la categoría de aprendizaje no supervisado. 3. Explorar y explotar el espacio de incertidumbre generado mediante la generalización de dicho algoritmo de consenso a la categoría de aprendizaje supervisado, con objeto de mejorar la precisión de la predicción, y proporcionar adicionalmente un conjunto de soluciones plausibles del problema de identificación, que constituyen una muestra representativa de la incertidumbre intrínseca de dicho problema biométrico. Esta metodología ha sido aplicada al problema de reconocimiento de caras y al análisis del grado histológico de cánceres de mama triplemente negativos, a partir de imágenes histológicas de los mismos. En ambos casos se han obtenido resultados muy prometedores. Futuras investigaciones serán dedicadas al estudio de otras técnicas biométricas (iris, huellas digitales, etc.), y también otras aplicaciones biomédicas, consistentes en el diseño de robots capaces de asesorar a los médicos en la toma de decisiones."],"dc:identifier.uri":["http://hdl.handle.net/10651/30540"],"dc:language.iso":["eng"],"dc:rights":["CC Reconocimiento - No comercial - Sin obras derivadas 4.0 Internacional"],"dc:rights.uri":["http://creativecommons.org/licenses/by-nc-nd/4.0/"],"dc:subject":["Matemáticas y estadística","Análisis numérico","Inteligencia artificial","Biometría","Sistemas de control médico"],"dc:title":["Image indexing optimization. Biometric and biomedical applications"],"dc:type":["doctoral thesis"]},"updated_at":"2026-07-24T03:41:41Z"}