Image classification for a large number of object categories

L'increment de bases de dades que cada vegada contenen imatges més difícils i amb un nombre més elevat de categories, està forçant el desenvolupament de tècniques de representació d'imatges que siguin discriminatives quan es vol treballar amb múltiples classes i d'algorismes que siguin eficients en l'aprenentatge i classificació. Aquesta tesi explora el problema de classificar les imatges segons l'objecte que contenen quan es disposa d'un gran nombre de categories. Primerament s'investiga com un sistema híbrid format per un model generatiu i un model discriminatiu pot beneficiar la tasca de classificació d'imatges on el nivell d'anotació humà sigui mínim. Per aquesta tasca introduïm un nou vocabulari utilitzant una representació densa de descriptors color-SIFT, i desprès s'investiga com els diferents paràmetres afecten la classificació final. Tot seguit es proposa un mètode par tal d'incorporar informació espacial amb el sistema híbrid, mostrant que la informació de context es de gran ajuda per la classificació d'imatges. Desprès introduïm un nou descriptor de forma que representa la imatge segons la seva forma local i la seva forma espacial, tot junt amb un kernel que incorpora aquesta informació espacial en forma piramidal. La forma es representada per un vector compacte obtenint un descriptor molt adequat per ésser utilitzat amb algorismes d'aprenentatge amb kernels. Els experiments realitzats postren que aquesta informació de forma te uns resultats semblants (i a vegades millors) als descriptors basats en aparença. També s'investiga com diferents característiques es poden combinar per ésser utilitzades en la classificació d'imatges i es mostra com el descriptor de forma proposat juntament amb un descriptor d'aparença millora substancialment la classificació. Finalment es descriu un algoritme que detecta les regions d'interès automàticament durant l'entrenament i la classificació. Això proporciona un mètode per inhibir el fons de la imatge i afegeix invariança a la posició dels objectes dins les imatges. S'ensenya que la forma i l'aparença sobre aquesta regió d'interès i utilitzant els classificadors random forests millora la classificació i el temps computacional. Es comparen els postres resultats amb resultats de la literatura utilitzant les mateixes bases de dades que els autors Aixa com els mateixos protocols d'aprenentatge i classificació. Es veu com totes les innovacions introduïdes incrementen la classificació final de les imatges.

Scene Classification Using a Hybrid Generative/Discriminative Approach

We investigate whether dimensionality reduction using a latent generative model is beneficial for the task of weakly supervised scene classification. In detail, we are given a set of labeled images of scenes (for example, coast, forest, city, river, etc.), and our objective is to classify a new image into one of these categories. Our approach consists of first discovering latent ";topics"; using probabilistic Latent Semantic Analysis (pLSA), a generative model from the statistical text literature here applied to a bag of visual words representation for each image, and subsequently, training a multiway classifier on the topic distribution vector for each image. We compare this approach to that of representing each image by a bag of visual words vector directly and training a multiway classifier on these vectors. To this end, we introduce a novel vocabulary using dense color SIFT descriptors and then investigate the classification performance under changes in the size of the visual vocabulary, the number of latent topics learned, and the type of discriminative classifier used (k-nearest neighbor or SVM). We achieve superior classification performance to recent publications that have used a bag of visual word representation, in all cases, using the authors' own data sets and testing protocols. We also investigate the gain in adding spatial information. We show applications to image retrieval with relevance feedback and to scene classification in videos

El model japonès de gestió dels recursos humans i las seva implantació a les filials japoneses de Catalunya

L'objectiu d'aquesta tesi doctoral consisteix en determinar si el model de gestió dels recursos humans de les empreses matrius japoneses es transferible a les filials japoneses de Catalunya. Per tot això després d'un estudi teòric sobre la literatura existent del model de gestió dels recursos humans japonès i la internacionalització dels recursos humans, s'ha realitzat un treball empíric mitjançant una enquesta a les filials japoneses instal.lades a Catalunya. En el qüestionari s'analitzen diferents àmbits de la gestió dels recursos humans i que constitueixen les 7 hipòtesis del nostre treball de camp basades en el model de recursos humans japonès referides a: 1- Reclutament i selecció, 2- Promoció i Rotació, 3- Lideratge, comunicació i treball en equip, 4- Motivació, clima laboral i cultura empresrial, 5- Formació i desenvolupament, 6- Avaluació de l'acompliment, y 7- Retribució i beneficis socials. Tot això ens ha indicat quina es la tendència del model japonès de recursos humans a les filials catalanes tenint en compte que estem analitzant un contexte cultural diferent a la idiosincrasia dels treballadors japonesos. El treball ens ha permés de proposar dues línies d'investigació, una a determinar en el temps i una altre en l'espai. En el temps amb la nova generació s'està produint un canvi cultural en el qual els joves japonesos intenten importar part dels valors occidentals que es veurà reflectit al llarg de 10-20 anys. I en l'espai l'aplicació de l'estudi a altres països europeus, com Anglaterra, França i Alemanya que són els principals països on els japonesos prefereixen instal.lar-se.