Invited Speakers

Professor Edwin Hancock

IAPR Invited Speaker

Department of Computer Science at the University of York

http://www-users.cs.york.ac.uk/erh/

Graph-based methods in pattern recognition

The talk will commence by discussing some of the problems that arise
when machine learning is applied to graph structures. A taxonomy of
different methods organised around a) clustering b) characterisation and
c) constructing generative models in the graph domain will be
introduced. With this taxonomy in hand, Dr. Hancock will then describe a
number of graph-spectral algorithms that can be applied to solve the
many different problems inherent to graphs, drawing examples from
computer vision research.

Professor  Guozhu Dong

Data Mining Research Lab, Dept of Computer Sci & Engr, Wright State University

http://www.cs.wright.edu/~gdong/

Emerging/Contrast Pattern Based Clustering and Clustering Quality Evaluation

Both the data clustering problem and the clustering quality evaluation
problem have received a huge amount of attention in the data mining,
machine learning, and pattern recognition communities over a very long
period of time. Many previous approaches to solving those problems
require the use of a distance function. However, since clustering is
highly exploratory and is usually performed on data which are rather
new, it is debatable whether users can provide good distance functions
for the data. In this talk we provide a pattern based approach to the
clustering problem and to the clustering quality evaluation problem.
The main idea is to use the quality and diversity/richness of
emerging/contrast patterns that contrast the clusters in a clustering
to evaluate the quality of the clustering, and to construct
clusterings that are ranked high in that quality. Our approaches do
not rely on the existence of a distance function.
 

Professor Ernesto Bribiesca

Department of Computer Science, IIMAS, UNAM

http://leibniz.iimas.unam.mx/~ernesto/

Codigo de Cadenas 3D para la Representacion de Objetos

Se presenta un codigo de cadenas para representar curvas en el
espacio. Este codigo de cadenas esta representado por medio de 5
cambios dedireccion. La notacion propuesta genera un alfabeto finito de hasta
cinco elementos, lo cual permite la utilizacion de tecnicas
gramaticales para el analisis de curvas. Asi, cada curva 3D es
representada por segmentos de linea recta ortogonales de longitud constante.
La notacion propuesta es invariante a la traslacion, rotacion, origen y
sentido de construccion de la curva. El numero de aplicaciones de
este codigo ha sido amplio, lo usamos en reconocimiento de patrones
para medir la similitud entre curvas, para representar estructuras
arborescentes, para la representacion de la curvas de Hilbert y tambien
se ha usado en Teoria de Nudos, por ejemplo, para la generacion de
familias de nudos. El codigo propuesto permite eliminar gran cantidad
de curvas 3D las cuales no podran generar nudos no triviales. Brian
Hayes menciona en su articulo "Square Knots" de la revista American
Scientist que nadie ha podido generar curvas 3D cerradas compuestas de
mas de 20 segmentos, lo cual genera alrededor de 70,000,000,000 curvas.
Usando el codigo propuesto se genera toda la familia de curvas 3D
de 24 segmentos, las cuales fueron 282,429,536,481 curvas. Lo anterior
fue posible debido al uso del descriptor unico de nudos propuesto.
Asi, de esta forma somos el primer laboratorio a nivel mundial en
generar toda la familia de curvas 3D compuestas de 24 segmentos.