Publications

@article{fidalgo_fusion_2019,

title = {Fusión temprana de descriptores extraídos de mapas de prominencia multi-nivel para clasificar imágenes},

author = {Eduardo Fidalgo and Enrique Alegre and Laura Fernández-Robles and Víctor González-Castro},

url = {https://polipapers.upv.es/index.php/RIAI/article/view/10640},

year  = {2019},

date = {2019-01-01},

journal = {Revista Iberoamericana de Automática e Informática.},

volume = {16},

number = {3},

pages = {358–368},

abstract = {Este artículo propone un método para mejorar la clasificación de imágenes con un solo objeto, utilizando mapas de prominencia (GBVS y SIM) para filtrar las características del fondo. Se aplican estos mapas para eliminar descriptores SIFT del fondo y se evalúa su impacto en cinco conjuntos de datos. Los resultados muestran que el método propuesto mejora la clasificación, especialmente cuando se combinan las dos primeras capas de GBVS o SIM.},

note = {Publisher: Universitat Politècnica de València},

keywords = {Algoritmos de Detección, Aprendizaje Máquina, Clasificadores, Codificación, Procesamiento de Imágenes, Visión por Computador},

pubstate = {published},

tppubtype = {article}

}

@article{alegre_evaluacion_2010,

title = {Evaluación de funciones wavelet madre con descriptores de textura estadísticos en la clasificación del acrosoma de espermatozoides de verraco},

author = {Enrique Alegre and Maribel González and Víctor González-Castro and Tomás Alonso},

url = {https://portalcientifico.unileon.es/documentos/6654cc185f11317f0b6cd613?lang=gl},

year  = {2010},

date = {2010-01-01},

urldate = {2010-01-01},

journal = {XXXI Jornadas de Automática Jaén 8-10 de septiembre de 2010: Comunicaciones},

pages = {20},

abstract = {Este estudio emplea una red neuronal backpropagation para clasificar el estado del acrosoma en espermatozoides de verraco. Se analizó el impacto del procesamiento previo de imágenes con cinco familias de wavelets: Daubechies, Coiflets, Symlets, Meyer y Biortogonales. Se extrajeron descriptores de textura estadísticos de primer y segundo orden y se evaluaron distintas configuraciones de la red. Los resultados muestran variaciones de hasta un 7% en la tasa de acierto, siendo las wavelets Biortogonales y Symlets las más efectivas, con precisiones superiores al 95%.},

note = {Publisher: Universidad de Jaén},

keywords = {Clasificaión Espermática, Descriptores de Textura, Procesamiento de Imágenes, Red Neuronal Backpropagation, Wavelets},

pubstate = {published},

tppubtype = {article}

}

@article{alegre_bases_2003,

title = {Bases de Datos de Imágenes: Arquitectura de los Sistemas de Recuperación de Imágenes Basados en Contenido.},

author = {Enrique Alegre and Ramón Ángel Fernández-Díaz and E Mora and Ángel Alonso},

year  = {2003},

date = {2003-01-01},

urldate = {2003-01-01},

journal = {XXIV Jornadas de Automática: León, 10, 11 y 12 de septiembre de 2003, Universidad de León, EI Industrial e Informática},

abstract = {Este trabajo comienza con una revisión rápida sobre las bases de datos de imágenes, explicando las razones detrás de su origen y evolución. Se agrupan en dos categorías según su funcionalidad. Luego, se analizan los diferentes tipos de bases de datos de imágenes, describiendo sus características y diferenciando entre sistemas sencillos y los más complejos, como los Sistemas de Recuperación de Imágenes Basados en el Contenido (SRIBC).},

note = {Publisher: Instituto de Automática y Fabricación (IAF)(Cognomática)},

keywords = {Arquitecturas de Bases de Datos de Imágenes, Bases de Datos de Imágenes, Procesamiento de Imágenes, Sistemas de Recuperación de Imágenes Basados en el Contenido},

pubstate = {published},

tppubtype = {article}

}