Comparación de descriptores para clasificación de memes
Professor Advisor
dc.contributor.advisor
Bustos Cárdenas, Benjamín
Author
dc.contributor.author
Sara Zaror, Alberto Ignacio
Associate professor
dc.contributor.other
Cerda Villablanca, Mauricio
Associate professor
dc.contributor.other
Poblete Labra, Bárbara
Admission date
dc.date.accessioned
2021-01-12T12:43:20Z
Available date
dc.date.available
2021-01-12T12:43:20Z
Publication date
dc.date.issued
2020
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/178227
General note
dc.description
Memoria para optar al título de Ingeniero Civil en Computación
es_ES
Abstract
dc.description.abstract
El acelerado crecimiento de las redes sociales ha traído muchos nuevos fenómenos que no han sido estudiados completamente. Uno de estos es conocido como meme, que son imágenes cómicas y con relevancia cultural, creadas por usuarios de redes sociales. Son populares por su viralidad y tienen impacto en la sociedad, especialmente por el alto número que se genera. Sin embargo, por la cantidad elevada de información multimedia transmitida a través de redes sociales, es difícil poder identificarlos dentro del gran volumen de imágenes que se publica a diario, lo que dificulta su estudio.
Por esto, se plantea la necesidad de contar con una forma automática para poder clasificar imágenes como meme o no-meme, algo que no ha sido estudiado con anterioridad en la literatura. En esta memoria se proponen diversos métodos que hacen uso de descriptores clásicos y del estado del arte para extraer vectores de características a partir de las imágenes, y se utilizan distintos algoritmos de clasificación para resolver el problema. Además, se propone la búsqueda de imágenes difíciles, es decir, imágenes que corresponden tanto a memes como no-memes, que no puedan ser clasificadas correctamente por ninguno de los métodos aplicados.
Con la realización de los experimentos, se determinó que para la base de datos utilizada, tanto el descriptor profundo del estado del arte DeCAF7 con una máquina de vectores de soporte, como la red neuronal convolucional ResNet152, obtuvieron un 75% de precisión en el problema de clasificación, por lo que el problema puede ser resuelto pero aún existe espacio para mejorar. También, se pudo determinar experimentalmente que alrededor del 1% de las imágenes estudiadas no se pueden clasificar con ningún método propuesto, por lo que se establece la aproximación a una cota del 99% de precisión que podría ser alcanzada si se tuviese un "oráculo" para elegir el método de clasificación apropiado para cada imagen.