Información del autor
Autor Güçlü, Umut |
Documentos disponibles escritos por este autor (2)
Crear una solicitud de compra Refinar búsquedaExplainable and Interpretable Models in Computer Vision and Machine Learning / Escalante, Hugo Jair ; Escalera, Sergio ; Guyon, Isabelle ; Baró, Xavier ; Güçlütürk, Yağmur ; Güçlü, Umut ; van Gerven, Marcel
TÃtulo : Explainable and Interpretable Models in Computer Vision and Machine Learning Tipo de documento: documento electrónico Autores: Escalante, Hugo Jair, ; Escalera, Sergio, ; Guyon, Isabelle, ; Baró, Xavier, ; Güçlütürk, YaÄŸmur, ; Güçlü, Umut, ; van Gerven, Marcel, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2018 Número de páginas: XVII, 299 p. 73 ilustraciones, 58 ilustraciones en color. ISBN/ISSN/DL: 978-3-319-98131-4 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Inteligencia artificial Visión por computador Sistemas de reconocimiento de patrones Reconocimiento de patrones automatizado Clasificación: 006.3 Resumen: Este libro recopila investigaciones lÃderes sobre el desarrollo de métodos de aprendizaje automático explicables e interpretables en el contexto de la visión por computadora y el aprendizaje automático. Los avances de la investigación en visión por computadora y reconocimiento de patrones han dado lugar a una variedad de técnicas de modelado con un rendimiento casi humano. Aunque estos modelos han obtenido resultados sorprendentes, su explicabilidad e interpretación son limitadas: ¿cuál es el fundamento de la decisión tomada? ¿Qué en la estructura del modelo explica su funcionamiento? Por lo tanto, si bien el buen rendimiento es una caracterÃstica crÃtica requerida para las máquinas de aprendizaje, se necesitan capacidades de explicabilidad e interpretabilidad para llevar a las máquinas de aprendizaje al siguiente paso e incluirlas en sistemas de soporte de decisiones que involucran supervisión humana. Este libro, escrito por destacados investigadores internacionales, aborda temas clave de explicabilidad e interpretabilidad, incluidos los siguientes: · Evaluación y generalización en aprendizaje automático interpretable · Métodos de explicación en aprendizaje profundo · Aprendizaje de modelos causales funcionales con redes neuronales generativas · Aprendizaje de reglas interpretables para múltiples -Clasificación de etiquetas · Estructuración de redes neuronales para predicciones más explicables · Generación de fundamentos post hoc para decisiones de clasificación visual profunda · Ensamblaje de explicaciones visuales · Conducción profunda explicable mediante la visualización de atención causal · Perspectiva interdisciplinaria en la búsqueda algorÃtmica de candidatos a empleo · Análisis multimodal de rasgos de personalidad para modelado explicable de Decisiones en entrevistas de trabajo · Interpretaciones de eventos de vÃdeo basadas en la teorÃa de patrones de explicabilidad inherente. Nota de contenido: 1 Considerations for Evaluation and Generalization in Interpretable Machine Learning -- 2 Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges -- 3 Learning Functional Causal Models with Generative Neural Networks -- 4 Learning Interpretable Rules for Multi-label Classification -- 5 Structuring Neural Networks for More Explainable Predictions -- 6 Generating Post-Hoc Rationales of Deep Visual Classification Decisions -- 7 Ensembling Visual Explanations -- 8 Explainable Deep Driving by Visualizing Causal Action -- 9 Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening -- 10 Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions -- 11 On the Inherent Explainability of Pattern Theory-based Video Event Interpretations. . Tipo de medio : Computadora Summary : This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning. Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and interpretability: what is the rationale behind the decision made? what in the model structure explains its functioning? Hence, while good performance is a critical required characteristic for learning machines, explainability and interpretability capabilities are needed to take learning machines to the next step to include them in decision support systems involving human supervision. This book, written by leading international researchers, addresses key topics of explainability and interpretability, including the following: · Evaluation and Generalization in Interpretable Machine Learning · Explanation Methods in Deep Learning · Learning Functional Causal Models with Generative Neural Networks · Learning Interpreatable Rules for Multi-Label Classification · Structuring Neural Networks for More Explainable Predictions · Generating Post Hoc Rationales of Deep Visual Classification Decisions · Ensembling Visual Explanations · Explainable Deep Driving by Visualizing Causal Attention · Interdisciplinary Perspective on Algorithmic Job Candidate Search · Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions · Inherent Explainability Pattern Theory-based Video Event Interpretations. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Explainable and Interpretable Models in Computer Vision and Machine Learning [documento electrónico] / Escalante, Hugo Jair, ; Escalera, Sergio, ; Guyon, Isabelle, ; Baró, Xavier, ; Güçlütürk, YaÄŸmur, ; Güçlü, Umut, ; van Gerven, Marcel, . - 1 ed. . - [s.l.] : Springer, 2018 . - XVII, 299 p. 73 ilustraciones, 58 ilustraciones en color.
ISBN : 978-3-319-98131-4
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Inteligencia artificial Visión por computador Sistemas de reconocimiento de patrones Reconocimiento de patrones automatizado Clasificación: 006.3 Resumen: Este libro recopila investigaciones lÃderes sobre el desarrollo de métodos de aprendizaje automático explicables e interpretables en el contexto de la visión por computadora y el aprendizaje automático. Los avances de la investigación en visión por computadora y reconocimiento de patrones han dado lugar a una variedad de técnicas de modelado con un rendimiento casi humano. Aunque estos modelos han obtenido resultados sorprendentes, su explicabilidad e interpretación son limitadas: ¿cuál es el fundamento de la decisión tomada? ¿Qué en la estructura del modelo explica su funcionamiento? Por lo tanto, si bien el buen rendimiento es una caracterÃstica crÃtica requerida para las máquinas de aprendizaje, se necesitan capacidades de explicabilidad e interpretabilidad para llevar a las máquinas de aprendizaje al siguiente paso e incluirlas en sistemas de soporte de decisiones que involucran supervisión humana. Este libro, escrito por destacados investigadores internacionales, aborda temas clave de explicabilidad e interpretabilidad, incluidos los siguientes: · Evaluación y generalización en aprendizaje automático interpretable · Métodos de explicación en aprendizaje profundo · Aprendizaje de modelos causales funcionales con redes neuronales generativas · Aprendizaje de reglas interpretables para múltiples -Clasificación de etiquetas · Estructuración de redes neuronales para predicciones más explicables · Generación de fundamentos post hoc para decisiones de clasificación visual profunda · Ensamblaje de explicaciones visuales · Conducción profunda explicable mediante la visualización de atención causal · Perspectiva interdisciplinaria en la búsqueda algorÃtmica de candidatos a empleo · Análisis multimodal de rasgos de personalidad para modelado explicable de Decisiones en entrevistas de trabajo · Interpretaciones de eventos de vÃdeo basadas en la teorÃa de patrones de explicabilidad inherente. Nota de contenido: 1 Considerations for Evaluation and Generalization in Interpretable Machine Learning -- 2 Explanation Methods in Deep Learning: Users, Values, Concerns and Challenges -- 3 Learning Functional Causal Models with Generative Neural Networks -- 4 Learning Interpretable Rules for Multi-label Classification -- 5 Structuring Neural Networks for More Explainable Predictions -- 6 Generating Post-Hoc Rationales of Deep Visual Classification Decisions -- 7 Ensembling Visual Explanations -- 8 Explainable Deep Driving by Visualizing Causal Action -- 9 Psychology Meets Machine Learning: Interdisciplinary Perspectives on Algorithmic Job Candidate Screening -- 10 Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions -- 11 On the Inherent Explainability of Pattern Theory-based Video Event Interpretations. . Tipo de medio : Computadora Summary : This book compiles leading research on the development of explainable and interpretable machine learning methods in the context of computer vision and machine learning. Research progress in computer vision and pattern recognition has led to a variety of modeling techniques with almost human-like performance. Although these models have obtained astounding results, they are limited in their explainability and interpretability: what is the rationale behind the decision made? what in the model structure explains its functioning? Hence, while good performance is a critical required characteristic for learning machines, explainability and interpretability capabilities are needed to take learning machines to the next step to include them in decision support systems involving human supervision. This book, written by leading international researchers, addresses key topics of explainability and interpretability, including the following: · Evaluation and Generalization in Interpretable Machine Learning · Explanation Methods in Deep Learning · Learning Functional Causal Models with Generative Neural Networks · Learning Interpreatable Rules for Multi-Label Classification · Structuring Neural Networks for More Explainable Predictions · Generating Post Hoc Rationales of Deep Visual Classification Decisions · Ensembling Visual Explanations · Explainable Deep Driving by Visualizing Causal Attention · Interdisciplinary Perspective on Algorithmic Job Candidate Search · Multimodal Personality Trait Analysis for Explainable Modeling of Job Interview Decisions · Inherent Explainability Pattern Theory-based Video Event Interpretations. Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
TÃtulo : Inpainting and Denoising Challenges Tipo de documento: documento electrónico Autores: Escalera, Sergio, ; Ayache, Stephane, ; Wan, Jun, ; Madadi, Meysam, ; Güçlü, Umut, ; Baró, Xavier, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2019 Número de páginas: VIII, 144 p. 65 ilustraciones, 56 ilustraciones en color. ISBN/ISSN/DL: 978-3-030-25614-2 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Idioma : Inglés (eng) Palabras clave: Visión por computador Reconocimiento de patrones automatizado Inteligencia artificial Sistemas de reconocimiento de patrones Clasificación: 006.3 Resumen: El problema de lidiar con datos faltantes o incompletos en el aprendizaje automático y la visión por computadora surge en muchas aplicaciones. Las estrategias recientes utilizan modelos generativos para imputar datos faltantes o corruptos. Los avances en visión por computadora que utilizan modelos generativos profundos han encontrado aplicaciones en el procesamiento de imágenes y videos, como eliminación de ruido, restauración, superresolución o pintura interna. Inpainting and Denoising Challenges comprende esfuerzos recientes que se ocupan de tareas de pintura de imágenes y videos. Esto incluye soluciones ganadoras para los desafÃos de ChaLearn Looking at People en pintura y eliminación de ruido: recuperación de pose humana, desubtitulado de video y restauración de huellas dactilares. Este volumen comienza con una amplia revisión sobre la eliminación de ruido de imágenes, el rastreo y la comparación de varios métodos, desde los métodos pioneros de procesamiento de señales hasta enfoques de aprendizaje automático con modelos dispersos y de bajo rango, y arquitecturas recientes de aprendizaje profundo con codificadores automáticos y variantes. Los siguientes capÃtulos presentan los resultados del DesafÃo, incluidas tres tareas de competencia en WCCI y ECML 2018. Se describen los mejores enfoques presentados por los participantes, mostrando contribuciones interesantes y métodos innovadores. Los dos últimos capÃtulos proponen contribuciones novedosas y destacan nuevas aplicaciones que se benefician de la imagen/vÃdeo en la pintura. . Nota de contenido: 1. A Brief Review of Image Denoising Algorithms and Beyond -- 2. ChaLearn Looking at People: Inpainting and Denoising Challenges -- 3. U-Finger: Multi-Scale Dilated Convolutional Network for Fingerprint Image Denoising and Inpainting -- 4. FPD-M-net: Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks -- 5. Iterative Application of Autoencoders for Video Inpainting and Fingerprint Denoising -- 6. Video DeCaptioning using U-Net with Stacked Dilated Convolutional Layers -- 7. Joint Caption Detection and Inpainting using Generative Network -- 8. Generative Image Inpainting for Person Pose Generation -- 9. Person Inpainting with Generative Adversarial Networks -- 10. Road Layout Understanding by Generative Adversarial Inpainting -- 11. Photo-realistic and Robust Inpainting of Faces using Refinement GANs. Tipo de medio : Computadora Summary : The problem of dealing with missing or incomplete data in machine learning and computer vision arises in many applications. Recent strategies make use of generative models to impute missing or corrupted data. Advances in computer vision using deep generative models have found applications in image/video processing, such as denoising, restoration, super-resolution, or inpainting. Inpainting and Denoising Challenges comprises recent efforts dealing with image and video inpainting tasks. This includes winning solutions to the ChaLearn Looking at People inpainting and denoising challenges: human pose recovery, video de-captioning and fingerprint restoration. This volume starts with a wide review on image denoising, retracing and comparing various methods from the pioneer signal processing methods, to machine learning approaches with sparse and low-rank models, and recent deep learning architectures with autoencoders and variants. The following chapters present results from the Challenge, including three competition tasks at WCCI and ECML 2018. The top best approaches submitted by participants are described, showing interesting contributions and innovating methods. The last two chapters propose novel contributions and highlight new applications that benefit from image/video inpainting. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Inpainting and Denoising Challenges [documento electrónico] / Escalera, Sergio, ; Ayache, Stephane, ; Wan, Jun, ; Madadi, Meysam, ; Güçlü, Umut, ; Baró, Xavier, . - 1 ed. . - [s.l.] : Springer, 2019 . - VIII, 144 p. 65 ilustraciones, 56 ilustraciones en color.
ISBN : 978-3-030-25614-2
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Idioma : Inglés (eng)
Palabras clave: Visión por computador Reconocimiento de patrones automatizado Inteligencia artificial Sistemas de reconocimiento de patrones Clasificación: 006.3 Resumen: El problema de lidiar con datos faltantes o incompletos en el aprendizaje automático y la visión por computadora surge en muchas aplicaciones. Las estrategias recientes utilizan modelos generativos para imputar datos faltantes o corruptos. Los avances en visión por computadora que utilizan modelos generativos profundos han encontrado aplicaciones en el procesamiento de imágenes y videos, como eliminación de ruido, restauración, superresolución o pintura interna. Inpainting and Denoising Challenges comprende esfuerzos recientes que se ocupan de tareas de pintura de imágenes y videos. Esto incluye soluciones ganadoras para los desafÃos de ChaLearn Looking at People en pintura y eliminación de ruido: recuperación de pose humana, desubtitulado de video y restauración de huellas dactilares. Este volumen comienza con una amplia revisión sobre la eliminación de ruido de imágenes, el rastreo y la comparación de varios métodos, desde los métodos pioneros de procesamiento de señales hasta enfoques de aprendizaje automático con modelos dispersos y de bajo rango, y arquitecturas recientes de aprendizaje profundo con codificadores automáticos y variantes. Los siguientes capÃtulos presentan los resultados del DesafÃo, incluidas tres tareas de competencia en WCCI y ECML 2018. Se describen los mejores enfoques presentados por los participantes, mostrando contribuciones interesantes y métodos innovadores. Los dos últimos capÃtulos proponen contribuciones novedosas y destacan nuevas aplicaciones que se benefician de la imagen/vÃdeo en la pintura. . Nota de contenido: 1. A Brief Review of Image Denoising Algorithms and Beyond -- 2. ChaLearn Looking at People: Inpainting and Denoising Challenges -- 3. U-Finger: Multi-Scale Dilated Convolutional Network for Fingerprint Image Denoising and Inpainting -- 4. FPD-M-net: Fingerprint Image Denoising and Inpainting Using M-Net Based Convolutional Neural Networks -- 5. Iterative Application of Autoencoders for Video Inpainting and Fingerprint Denoising -- 6. Video DeCaptioning using U-Net with Stacked Dilated Convolutional Layers -- 7. Joint Caption Detection and Inpainting using Generative Network -- 8. Generative Image Inpainting for Person Pose Generation -- 9. Person Inpainting with Generative Adversarial Networks -- 10. Road Layout Understanding by Generative Adversarial Inpainting -- 11. Photo-realistic and Robust Inpainting of Faces using Refinement GANs. Tipo de medio : Computadora Summary : The problem of dealing with missing or incomplete data in machine learning and computer vision arises in many applications. Recent strategies make use of generative models to impute missing or corrupted data. Advances in computer vision using deep generative models have found applications in image/video processing, such as denoising, restoration, super-resolution, or inpainting. Inpainting and Denoising Challenges comprises recent efforts dealing with image and video inpainting tasks. This includes winning solutions to the ChaLearn Looking at People inpainting and denoising challenges: human pose recovery, video de-captioning and fingerprint restoration. This volume starts with a wide review on image denoising, retracing and comparing various methods from the pioneer signal processing methods, to machine learning approaches with sparse and low-rank models, and recent deep learning architectures with autoencoders and variants. The following chapters present results from the Challenge, including three competition tasks at WCCI and ECML 2018. The top best approaches submitted by participants are described, showing interesting contributions and innovating methods. The last two chapters propose novel contributions and highlight new applications that benefit from image/video inpainting. . Enlace de acceso : https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...]
