Una nueva red neuronal para clustering y segmentación basada en el entorno

Abstract

Este artículo presenta una nueva red neuronal para clustering y segmentación de los datos o patrones de entrada que, a diferencia de los modelos existentes, no requiere la indicación de parámetros de aceptación dependientes del problema. En la estrategia propuesta se realiza un preprocesamiento de los patrones a clasificar analizando su relación con sus vecinos más próximos según una medida de similitud. De esta manera, se caracterizan los clusters individualmente, facilitando la aplicación de la red y permitiendo obtener una respuesta específica para cada clase. Se muestran resultados de su aplicación en problemas cuyas clases poseen diferentes grados de dispersión, así como en imágenes color, correspondientes a muestras histológicas de tejido hepático , sobre las que se realizan tanto tareas de clustering como de segmentación utilizando el mismo método. La performance de esta nueva propuesta ha sido comparada con una red del tipo winner-take-all (WTA), basada en un único descriptor por clase, ampliamente utilizado en procesos de clustering y con el método CDL que utiliza varios descriptores por clase [2]. Finalmente, se presentan algunas conclusiones así como posibles líneas de trabajo futuras.