Learning the Consensus of Multiple Correspondences between Data Structures
Moreno García, Carlos Francisco · TDX (Tesis Doctorals en Xarxa) · 2016
En aquesta tesi presentem un marc de treball per aprendre el consens donades multiples correspondencies. S'assumeix que les diferents parts involucrades han generat aquestes correspondencies per separat, i el nostre sistema actua com un mecanisme que calibra diferents caracteristiques i considera diferents parametres per aprendre les millors assignacions i aixi, conformar una correspondencia amb la major precisio possible a costa d'un cost computacional raonable. Aquest marc de treball de consens es presentat en una forma gradual, comencant pels desenvolupaments mes basics que utilitzaven exclusivament conceptes ben definits o unicament un parell de correspondencies, fins al model final que es capac de considerar multiples correspondencies, amb la capacitat d'aprendre automaticament alguns parametres de ponderacio. Cada pas d'aquest marc de treball es avaluat fent servir bases de dades de naturalesa variada per demostrar efectivament que es possible tractar diferents escenaris de matching. Addicionalment, dos avancos suplementaris relacionats amb correspondencies es presenten en aquest treball. En primer lloc, una nova metrica de distancia per correspondencies s'ha desenvolupat, la qual va derivar en una nova estrategia per a la cerca de mitjanes ponderades. En segon lloc, un marc de treball especificament dissenyat per a generar correspondencies al camp del registre d'imatges s'ha modelat, on es considera que una de les imatges es una imatge completa, i l'altra es una mostra petita d'aquesta. La conclusio presenta noves percepcions de com el nostre marc de treball de consens pot ser millorada, i com els dos desenvolupaments paral·lels poden convergir amb el marc de treball de consens. En esta tesis presentamos un marco de trabajo para aprender el consenso dadas multiples correspondencias. Se asume que las distintas partes involucradas han generado dichas correspondencias por separado, y nuestro sistema actua como un mecanismo que calibra distintas caracteristicas y considera diferentes parametros para aprender las mejores asignaciones y asi, conformar una correspondencia con la mayor precision posible a expensas de un costo computacional razonable. El marco de trabajo de consenso es presentado en una forma gradual, comenzando por los acercamientos mas basicos que utilizaban exclusivamente conceptos bien definidos o unicamente un par de correspondencias, hasta el modelo final que es capaz de considerar multiples correspondencias, con la capacidad de aprender automaticamente algunos parametros de ponderacion. Cada paso de este marco de trabajo es evaluado usando bases de datos de naturaleza variada para demostrar efectivamente que es posible tratar diferentes escenarios de matching. Adicionalmente, dos avances suplementarios relacionados con correspondencias son presentados en este trabajo. En primer lugar, una nueva metrica de distancia para correspondencias ha sido desarrollada, la cual derivo en una nueva estrategia para la busqueda de medias ponderadas. En segundo lugar, un marco de trabajo especificamente disenado para generar correspondencias en el campo del registro de imagenes ha sido establecida, donde se considera que una de las imagenes es una imagen completa, y la otra es una muestra pequena de esta. La conclusion presenta nuevas percepciones de como nuestro marco de trabajo de consenso puede ser mejorada, y como los dos desarrollos paralelos pueden converger con este. In this work, we present a framework to learn the consensus given multiple correspondences. It is assumed that the several parties involved have generated separately these correspondences, and our system acts as a mechanism that gauges several characteristics and considers different parameters to learn the best mappings and thus, conform a correspondence with the highest possible accuracy at the expense of a reasonable computational cost. The consensus framework is presented in a gradual form, starting from the most basic approaches that used exclusively well-known concepts or only two correspondences, until the final model which is able to consider multiple correspondences, with the capability of automatically learning some weighting parameters. Each step of the framework is evaluated using databases of varied nature to effectively demonstrate that it is capable to address different matching scenarios. In addition, two supplementary advances related on correspondences are presented in this work. Firstly, a new distance metric for correspondences has been developed, which lead to a new strategy for the weighted mean correspondence search. Secondly, a framework specifically designed for correspondence generation in the image registration field has been established, where it is considered that one of the images is a full image, and the other one is a small sample of it. The conclusion presents insights of how our consensus framework can be enhanced, and how these two parallel developments can converge with it.