Search

El objetivo de este proyecto es el de, partiendo de un set de imágenes de documentos como entrada, realizar una serie de procesos sobre las imágenes con el fin de poder generar un modelo de predicción basado en machine learning que sea capaz de clasificar si los elementos que aparecen en los documentos anteriormente mencionados se tratan de texto escrito a mano, impreso o si no son texto en absoluto. Para ello, se desarrollarán y utilizarán diversos programas, con los que se pretende, por un lado, aislar los elementos de texto de las imágenes y extraer información de dichos elementos, así como crear una matriz de adyacencia que los relacione, y por el otro, aplicar estos datos para entrenar un modelo de predicción que utilice Structured Support Vector Machine. Por último, para comprobar la eficacia de dicho modelo, se harán múltiples pruebas variando los distintos modos de funcionamiento que permite el algoritmo, con tal de observar en qué condiciones funciona mejor, y realizándose un estudio de los mismos. This project's objective is, starting with a set of document images as input, to carry out a series of procedures on the images with the purpose of obtaining a prediction model based on machine learning able to classify if the elements that appear on the previously mentioned documents are either handwritten text, printed text or no text at all. In order to do that, several programs will be developed and utilized, with which it is intended, on the one hand, to isolate the text elements from the images, extract information of said elements, as well as the creation of an adjacency matrix that relates them, and on the other, to apply this data to train a prediction model that uses Structured Support Vector Machine. Lastly, in order to check the efficiency of said model, multiple tests will be done modifying the various functioning modes that the algorithm allows, with the goal of observing under which conditions does it perform better, and studying the results of those tests. L'objectiu d'aquest projecte es el de, partint d'un set d'imatges de documents com a entrada, realitzar una sèrie de processos sobre les imatges amb el fi de poder generar un model de predicció basat en machine learning que sigui capaç de classificar si els elements que apareixen en els documents anteriorment esmentats es tracten de text escrit a ma, imprès, o si no son text escrit en absolut. Pera a això, es desenvoluparan i faran servir diversos programes, amb els que es pretén, d'una banda, aïllar els elements de text de les imatges i extreure informació de dits elements, així com crear una matriu d'adjacència que els relacioni, i de l'altre, aplicar aquestes dades per a entrenar un model de predicció que utilitzi Structured Support Vector Machine. Per últim, per comprovar l'eficàcia de dit model, es faran múltiples proves variant els diferents modes de funcionament que permet l'algoritme, amb l'objectiu d'observar en que condicions funciona millor, i fent-se un estudi d'aquests.

Neste trabalho estudamos três subgrupos de um grupo G com índices limitados em G: A interseção de todos os subgrupos definíveis de G , o menor subgrupo tipo-definível e o menor subgrupo invariante de G, chamados componentes conexas de G, denotados respectivamente G0G00 e G¥. Apresentamos uma demonstração da existência de G¥ em uma teoria NIP, baseados na prova feita por Gismatullin em 2011. In this work, we estudied three special subgroups of bounded index in G: The intersection of subgroups definables of G, the small type-definable subgroup and the small invariant subgroup of G, called connected components of G and denoted G0G00 e G¥. We give an exposition of theorem of Gismatullim, where he proved the existence of G¥ in a theory with NIP. Conselho Nacional de Pesquisa e Desenvolvimento Científico e Tecnológico - CNPq

[EN] A model based on local graphs to classify pixels coming from at or detail regions of an image is presented. For each pixel a local graph is dened. Its structure will depend on the similarity between neighbouring pixels. Its features allow us to classify each image pixel as belonging to one type of region or the other. This classication is an essential pre-processing technique for many Computer Vision tools, such as smoothingor sharpening of digital color images., [ES] Presentamos un modelo basado en grafos locales para clasificar los píxeles atendiendo a si pertenecen a zonas homogéneas o a zonas de detalle de una imagen. Para cada píxel se define un grafo cuya estructura dependerá de la similitud entre los píxeles adyacentes. Sus características permiten clasificar cada píxel de la imagen como perteneciente a un tipo de zona u a otra. Esta clasificación constituye un pre-procesado de la imagen primordial para múltiples ramas de Visión Artificial, como puede ser el suavizado o el realce de imágenes digitales., Samuel Morillas: MTM2015-64373-P (MINECO/FEDER);Cristina Jordán: MECD TEC2016-79884-C2-2-R y Samuel Morillas, Cristina Jordán y J. Alberto Conejero: Proyecto de Innovación Docente del Depto. de Matemática Aplicada de la Universitat Politècnica de València, PID-DMA2016: Prácticas de Teoría de Grafos aplicadas al procesamiento de imágenes.