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.

Improvement of heat-induced gel properties of porcine plasma

L'objectiu és millorar els gels de plasma porcí induïts per calor a pH àcid utilitzant transglutaminasa microbiana (MTGasa). El tractament millora textura i CRA dels gels a pH 5,5, però les millores no són suficients per recuperar les pèrdues degut a l'acidificació. L'estructura globular de les proteïnes dificulta l'atac enzimàtic. La reactivitat de l'enzim no millora amb l'addició de cisteïna a plasma amb MTGasa. El tractament del plasma amb MTGasa sota alta pressió (HP) millora la duresa dels gels. No obstant, la CRA només millora lleugerament. La duresa es pot incrementar mantenint les solucions de plasma pressuritzat sota refrigeració, encara que no millora la CRA. Es pot concloure que les pèrdues en la textura dels gels de plasma induïts per calor a pH àcid es poden recuperar parcialment tractant amb MTGasa, especialment afegint cisteïna o sota HP. Encara que la CRA només es veu lleugerament millorada en el segon cas.