Reconocimiento de rostros con Redes Neuronales Convolucionales
|
|
- Esperanza Venegas Espinoza
- hace 6 años
- Vistas:
Transcripción
1 Reconocimiento de rostros con Redes Neuronales Convolucionales Redes Neuronales (66.63) FIUBA Mario Azcueta
2 Reconocimiento de rostros DETECTAR un rostro en una escena IDENTIFICAR un rostro en particular (clasificar)
3 Las CNNs se aplicarán al problema de IDENTIFICACIÓN en este caso Se busca un sistema veloz, de identificación en tiempo real
4 Se dispone de: Banco de imágenes de rostros de personas a las cuales se quiere reconocer
5 Se dispone de: Banco de imágenes de rostros de personas a las cuales se quiere reconocer Varias imágenes por persona (aprox 4)
6 Se dispone de: Banco de imágenes de rostros de personas a las cuales se quiere reconocer Varias imágenes por persona (aprox 4) Imágenes normalizadas. Pueden variar pose, iluminación, detalles menores
7 Terminología: Cada persona representa una clase Las imágenes son muestras, que pertenecen a una cierta clase Hay imágenes de entrenamiento y de test La identificación de un rostro constituye un proceso de clasificación
8 Terminología: Clases Muestras de entrenamiento Muestras de test
9 Objetivo de las CNNs Armar un clasificador de rostros que logre generalizar Se entrena a la red con las muestras de entrenamiento Debe identificar a la misma persona, aunque se le muestre una imagen nueva
10 Operación del clasificador 1. Se comprime la imagen (SOM o PCA) 2. Se muestra la imagen comprimida a la CNN 3. La CNN determina a qué clase pertenece
11 Sistema de compresión Se utiliza una red de Kohonen (SOM) tridimensional de 5x5x5 nodos
12 Sistema de compresión Se utiliza una red de Kohonen (SOM) tridimensional de 5x5x5 nodos Función de vecindad Gaussiana
13 Sistema de compresión Se utiliza una red de Kohonen (SOM) tridimensional de 5x5x5 nodos Función de vecindad Gaussiana 10e3 epochs de ordenamiento (desvío fijo, tasa de aprendizaje 0.7)
14 Sistema de compresión Se utiliza una red de Kohonen (SOM) tridimensional de 5x5x5 nodos Función de vecindad Gaussiana 10e3 epochs de ordenamiento (desvío fijo, tasa de aprendizaje 0.7) 5e3 epochs de refinamiento (desvío decreciente, tasa de aprendizaje 0.02)
15 Entrenamiento del SOM 1. Se extraen sucesivas ventanas (frames) de 8x8 píxeles de las imágenes de entrenamiento, con la mitad de solapamiento
16 2. Cada ventana se muestra como vector al SOM 3. Se elije la neurona ganadora, y se actualizan sus pesos y los de la vecindad:
17 Compresión con el SOM Dada una imagen a comprimir: 1. Se extraen las sucesivas ventanas de 8x8
18 Compresión con el SOM Dada una imagen a comprimir: 1. Se extraen las sucesivas ventanas de 8x8 2. Se muestra cada ventana como vector de 64 puntos al SOM. Se elije la neurona ganadora
19 Compresión con el SOM Dada una imagen a comprimir: 1. Se extraen las sucesivas ventanas de 8x8 2. Se muestra cada ventana como vector de 64 puntos al SOM. Se elije la neurona ganadora 3. El vector de 64 puntos queda así reducido a uno de 3 puntos (red 3D), con las coordenadas de la neurona ganadora
20 La imagen original se reduce a 3 matrices de 1/16 el tamaño de la imagen original c/u grayscale, 128x192 grayscale, 3@32x48
21 Se tiene una compresión de 3:16 (aprox 1:5) El SOM actúa como algoritmo de clustering, representando a todas las ventanas extraídas sólo por los vectores más representativos
22 Arquitectura y funcionamiento de CNN
23 Formada por capas y mapas Se suceden capas de convolución (impares) y de submuestreo (pares)
24 Cada círculo es una neurona tipo perceptrón Las neuronas de un mismo mapa comparten todas los mismos pesos Cada neurona tiene como entrada una sección fija de 1 o varios mapas de la capa anterior (campos receptivos). El tamaño de la sección es variable
25 Perceptrones g(h) = tanh(h)
26 Capas de convolución En las capas de convolución, los campos receptivos se mueven de a 1 pixel (tienen solapamiento). Es análogo a una convolución
27 Capas de convolución
28 Capas de submuestreo En las capas de submuestreo, los campos receptivos son de 2x2 y se mueven de a 2 píxeles. Cada perceptrón tiene 4 pesos iguales
29 Capas de submuestreo
30 Tres ideas centrales: Campos receptivos locales (la distribución espacial de la entrada importa) Pesos compartidos Sub-muestreo espacial Estos dos últimos facilitan la generalización (LeCun) El número de mapas es incrementado a la vez que la resolución espacial reducida
31 CNN utilizada
32 Entrenamiento de la CNN Las imágenes de entrenamiento comprimidas se usan para entrenar la CNN. Para cada imagen: 1. Se la normaliza restando la media y dividiendo por el desvío std. Esto previene la saturación de la red
33 2. Se presenta la imagen a la red, y se obtiene la salida. Como se a qué persona corresponde el rostro, conozco la salida deseada. Esto es un vector con '1' en la posición que corresponde a la clase y '-1' en el resto 3. Se calcula el error en la salida, y con este se actualizan los pesos de la CNN utilizando backpropagation
34 Backpropagation Se entrena usando el algoritmo de backpropagation, adaptado a la arquitectura de la CNN Primero, un repaso del algoritmo aplicado a perceptrones multicapa...
35 Imágenes de
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54 El algoritmo se aplica sin modificaciones a la CNN, neurona a neurona Una forma eficiente para implementarlo es mediante convoluciones 2D, como se ve a continuación * Ver Notes on Convolutional Neural Networks, Jack Bouvrie (MIT, 2006)
55 Capas de convolución La salida del mapa 'j' de la capa 'l' es: 'i' indexa los mapas de la capa 'l-1' que toma el mapa j de la capa l
56 Capas de convolución El delta para el mapa 'j' de la capa 'l' se computa como donde esto no es mas que propagar la delta hacia atrás, multiplicando por los pesos y la derivada de la función de activación
57 Capas de convolución Los gradientes resultan los pesos son actualizados restándoles el gradiente y multiplicando por la tasa de aprendizaje () t
58 Capas de submuestreo La salida del mapa 'j' de la capa 'l' es: 'down' suma los elementos de bloques de 2x2 de un mapa, sin solapamiento
59 Capas de submuestreo El delta para el mapa 'j' de la capa 'l' se computa como otra vez, esto no es mas que propagar la delta hacia atrás, multiplicando por los pesos y la derivada de la función de activación
60 Capas de submuestreo Los gradientes resultan los pesos son actualizados restándoles el gradiente y multiplicando por la tasa de aprendizaje () t
61 Tasa de aprendizaje La tasa de aprendizaje then converge" () t es tipo "search
62 Verificación del algoritmo Para verificar la correcta implementación se aproximan los deltas como y se compara con los obtenidos mediante backpropagation. La diferencia debe ser mínima (1e-4 %)
63 Elección de la clase ganadora Se estima la probabilidad a posteriori de la clase ganadora mediante la transformada softmax A () x k es la posición k del vector de salida, dada la imagen de entrada x N es el número total de clases Puede usarse como medida de confianza
64 Simulaciones y resultados Se usaron imágenes de la base de datos FERET 4 imágenes de entrenamiento
65 Simulaciones y resultados Se usaron imágenes de la base de datos FERET 4 imágenes de entrenamiento 4 imágenes de test
66 Simulaciones y resultados Se usaron imágenes de la base de datos FERET 4 imágenes de entrenamiento 4 imágenes de test Número de clases (personas) variable de 10 a 40
67 Simulaciones y resultados Se usaron imágenes de la base de datos FERET 4 imágenes de entrenamiento 4 imágenes de test Número de clases (personas) variable de 10 a 40 10e3 epochs de entrenamiento, con tasa de aprendizaje search then converge
68 Simulaciones y resultados Excepto en los casos donde se aclare, todos los experimentos se realizaron con: 4 imágenes de entrenamiento por clase 4 imágenes de test por clase 20 clases SOM de 3 dimensiones con 5 nodos/dimensión
69
70 Imagen 128x
71 Error según número de clases
72 Error según dimensión SOM
73 Error según imágenes de entrenamiento
74 Medición de confianza
75 Error y tasa de rechazos
76 Otras aplicaciones de las CNN Reconocimiento de caracteres alfanuméricos Reconocimiento de expresiones en rostros Reconocimiento de habla Detección de objetos en general Clasificación de señales de EEG Tracking en secuencias de video
77 Referencias: [1] Hertz, Krogh, Palmer. Introduction to the theory of neural computation. Addison-Wesley, [2] LeCun, Bengio. Convolutional Networks for Images, Speech and Time-Series. The Handbook of Brain Theory and Neural Networks. MIT Press, pp , [3] Lawrence, Giles, Tsoi, Back. Face recognition: A Convolutional Neural Network Approach. IEEE transactions on Neural Networks, Vol. 8, No. 1, January [4] Bouvrie. Notes on Convolutional Neural Networks. Center for Biological and Computational learning, MIT [5] Browne, Ghidary. Convolutional Neural Networks for Image Processing: An Application in Robot Vision. AI 2003: Advances in Artificial Intelligence, pp [6] LeCun, Bottou, Haffner. Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, Vol. 86, No. 11, Nov [7] LeCun, Bottou, Orr, Muller. Efficient BackProp, in: Neural Networks: Tricks of the trade. Springer, [8] Kohonen. Self-Organizing Maps. Springer-Verlag, Berlin, [9] Muhlbaier, Topalis, Polikar. Ensemble Confidence Estimates Posterior Probability. Springer-Verlag, Berlin, [10] Turk, Pentland. Face recognition using eigenfaces. Proc. IEEE Conference on Computer Vision and Pattern Recognition (1991), pp [11] Fukushima, Miyake, Ito. Neocognitron: a neural network model for a mechanism of visual pattern recognition. IEEE Transactions on Systems, Man, and Cybernetics, Vol. SMC-13(Nb. 3):pp , September/October 1983.
Introducción. Autoencoders. RBMs. Redes de Convolución. Deep Learning. Eduardo Morales INAOE (INAOE) 1 / 60
Deep Learning Eduardo Morales INAOE (INAOE) 1 / 60 Contenido 1 2 3 4 (INAOE) 2 / 60 Deep Learning El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia
Más detallesCAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS
CAPÍTULO 3 RED NEURONAL PARA EL RECONOCIMIENTO DE ROSTROS Descripción de la base de datos Como datos de entrenamiento, en este proyecto, se utilizó la base de datos ORL [1], la cual contiene un conjunto
Más detallesDeep Learning y Big Data
y Eduardo Morales, Enrique Sucar INAOE (INAOE) 1 / 40 Contenido 1 2 (INAOE) 2 / 40 El poder tener una computadora que modele el mundo lo suficientemente bien como para exhibir inteligencia ha sido el foco
Más detallesReducción de Ruido por medio de Redes Neuronales
Reducción de Ruido por medio de Redes Neuronales Donato Hernández, Sergio Ledesma, Miguel Torres, Gabriel Aviña y Gerardo Canedo Facultad de Ingeniería Mecánica, Eléctrica y Electrónica Universidad de
Más detallesPROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ.
PROJECT GLASS : REALIDAD AUMENTADA, RECONOCIMIENTO DE IMÁGENES Y RECONOCIMIENTO DE VOZ. Lucas García Cillanueva Paloma Jimeno Sánchez-Patón Leticia C. Manso Ruiz PROJECT GLASS Dentro de Google Labs Gafas
Más detallesCONCLUSIONES. La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con
319 CONCLUSIONES La teoría de Redes Neuronales Artificiales, presenta grandes ventajas con respecto a otros modelos típicos de solución de problemas de Ingeniería, una de ellas es su inspiración en modelos
Más detallesPaul Méndez 1, Julio Ibarra 1
ARTÍCULO/ARTICLE AVANCES EN CIENCIAS E INGENIERÍAS SECCIÓN/SECTION A Implementing a convolution neural network for recognizing poses in images of faces Implementación de una red neuronal de convolución
Más detallesICA, modelos activos, PCA, redes neuronales, robots de interacción social.
DISEÑO DE UN SISTEMA DE RECONOCIMIENTO DE ROSTROS MEDIANTE LA HIBRIDACIÓN DE TÉCNICAS DE RECONOCIMIENTO DE PATRONES, VISIÓN ARTIFICIAL E IA, ENFOCADO A LA SEGURIDAD E INTERACCIÓN ROBÓTICA SOCIAL DESIGN
Más detallesMáster de Visión Artificial. Asignatura: Aplicaciones Industriales. Práctica puntuable Reconocimiento Manuscrito. Orión García Gallardo
Máster de Visión Artificial Asignatura: Aplicaciones Industriales Práctica puntuable Reconocimiento Manuscrito Orión García Gallardo INTRODUCCIÓN La escritura a mano ha persistido como medio de comunicación
Más detallesLAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS
Revista de la Facultad de Ingeniería Industrial Vol. (8) 2: pp. 28-32 (2005) UNMSM ISSN: 1560-9146 (impreso) / ISSN: 1810-9993 (electrónico) LAS REDES NEURONALES ARTIFICIALES EN LAS FINANZAS Recepción:
Más detallesRedes Neuronales Cooperativas para el Control de un Robot Autónomo
Redes Neuronales Cooperativas para el Control de un Robot Autónomo Oscar Luis Ruíz Bernal, Saúl Martínez Díaz División de Estudios de Posgrado e Investigación, Instituto Tecnológico de La Paz rboscar7@yahoo.com,
Más detallesResumen. Palabras Claves Reducción de la imagen Reconocimiento de Patrones Análisis de Componente Principal Eigenfaces Rostros.
Eigenfaces de Imagen Reducida para el Reconocimiento Automático de Rostros Franco Chichizola 1,Armando De Giusti, arcelo Naiouf 3 Instituto de Investigación en Informática LIDI. 4 Facultad de Informática.
Más detallesUNIVERSIDAD NACIONAL DEL CALLAO
UNIVERSIDAD NACIONAL DEL CALLAO FACULTAD DE INGENIERÍA INDUSTRIAL Y DE SISTEMAS INSTITUTO DE INVESTIGACION DE LA FACULTAD DE INGENIERIA INDUSTRIAL Y DE SISTEMAS INFORME FINAL DEL PROYECTO DE INVESTIGACIÓN
Más detallesConstrucción de un árbol balanceado de subclasificadores para SVM multi-clase
Construcción de un árbol balanceado de subclasificadores para SVM multi-clase Waldo Hasperué 1,2, Laura Lanzarini 1, 1 III-LIDI, Facultad de Informática, UNLP 2 Becario CONICET {whasperue, laural}@lidi.info.unlp.edu.ar
Más detallesReconocimiento de caracteres del alfabeto dactilológico mediante redes neuronales artificiales: Un enfoque experimental
Reconocimiento de caracteres del alfabeto dactilológico mediante redes neuronales artificiales: Un enfoque experimental Diego Auquilla 1, Kenneth Palacio-Baus 1, Víctor Saquicela 2 1 Departamento de Ingeniería
Más detallesInteligencia Artificial. Aprendizaje neuronal. Ing. Sup. en Informática, 4º. Curso académico: 2011/2012 Profesores: Ramón Hermoso y Matteo Vasirani
Inteligencia Artificial Aprendizaje neuronal Ing. Sup. en Informática, 4º Curso académico: 20/202 Profesores: Ramón Hermoso y Matteo Vasirani Aprendizaje Resumen: 3. Aprendizaje automático 3. Introducción
Más detallesVisión por computadora Computer vision
Visión por computadora Computer vision Conjunto de algoritmos que permiten obtener una representación visual del mundo, suficiente para la realización de una tarea dada. Representación visual El mundo:
Más detallesXV Workshop de Investigadores en Ciencias de la Computación 2013
XV Workshop de Investigadores en Ciencias de la Computación 2013 ISBN: 9789872817961 Facultad de Ciencia y Tecnologí a Universidad Auto noma de Entre Rí os (UADER) WICC 2013 El Workshop de Investigadores
Más detallesIdentificación de frutos a través de la implementación de Tecnologías de la Información
71 Identificación de frutos a través de la implementación de Tecnologías de la Información GUTIERREZ, Ma. de Jesús*, FRANCO, Anilu, SUAREZ, Alberto y TORRES, Gonzalo A. Recibido 12 de Enero, 2015; Aceptado
Más detallesTema 7 Redes Neuronales Recurrentes
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M Galván -José Mª Valls Tema 7 Redes Neuronales Recurrentes REDES DE NEURONAS ARTIFICIALES INÉS M GALVÁN, JOSÉ Mª VALLS
Más detallesLuis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica. Grupo de Política y Gestión Tecnológica. Universidad Pontificia Bolivariana Medellín.
Bogotá 15 y 16 de Agosto de 2008 EXTRACCIÓN DE PATRONES DE LA ENCUESTA ANUAL MANUFACTURERA COLOMBIANA EMPLEANDO INTELIGENCIA ARTIFICIAL Luis Felipe Duque Álvarez. Estudiante de Ingeniería Electrónica.
Más detallesPontificia Universidad Católica del Ecuador
FACULTAD O ESCUELA DE INGENIERIA 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: Procesamiento de imágenes CÓDIGO: 14259 CARRERA: SISTEMAS NIVEL: Sexto No. CRÉDITOS: CRÉDITOS TEORÍA: CRÉDITOS PRÁCTICA: PROFESOR:
Más detallesCAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS
Capitulo 6. Sistema de Detección de Intrusos con Redes Neuronales. 69 CAPITULO 6 SISTEMA DE DETECCION DE INTRUSOS USANDO REDES NEURONALES. En este capítulo se realiza la preparación adecuada de toda la
Más detallesLección 6 Redes Neuronales Artificiales Curso Básico
Lección 6 Redes Neuronales Artificiales Curso Básico Curso Aproximación al estudio de célula mínima desde la Biología de Sistemas Montevideo 6-10 diciembre 2010 Federico Morán Departamento de Bioqímica
Más detallesModelado 3D de tumores cerebrales empleando endoneurosonografía y redes neuronales artificiales
Modelado 3D de tumores cerebrales empleando endoneurosonografía y redes neuronales artificiales Andrés Felipe Serna Morales Universidad Nacional de Colombia, Sede Manizales. - Centro de Investigación y
Más detallesLicense Plate Detection using Neural Networks
License Plate Detection using Neural Networks Luis Carrera, Marco Mora Les Fous du Pixel Image Processing Research Group Department of Computer Science Catholic University of Maule http://www.lfdp-iprg.net
Más detallesMÉTODOS DE APRENDIZAJE INDUCTIVO (continuación)
Aprendiae Automático y Data Mining Bloque III MÉTODOS DE APRENDIZAJE INDUCTIVO (continuación) REDES NEURONALES 2 Redes neuronales (I) Red neuronal: método de aprendiae inductivo inspirado en la estructura
Más detallesReconocimiento de Caracteres: Un abordaje invariante a translación, rotación y escala
Reconocimiento de Caracteres: Un abordaje invariante a translación, rotación y escala Jesús P. Mena-Chalco jmena@vision.ime.usp.br Departamento de Ciência da Computação Instituto de Matemática e Estatística
Más detallesRedes Neuronales Celulares Aplicadas al Procesamiento de Imágenes Presenta: Luis Eduardo Morán López
Redes Neuronales Celulares Aplicadas al Procesamiento de Imágenes Presenta: Luis Eduardo Morán López Universidad de Colima Diplomado para la Actualización del profesorado I. Introducción Las Redes Neuronales
Más detallesCONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7)
Tema 1: Conceptos Básicos Sistemas Conexionistas 1 CONCEPTOS BÁSICOS (Freeman capt.1; Neural Nets capt. 4,5 y 7) 1.- Introducción. 1.1.- Redes Neuronales de Tipo Biológico. 1.2.- Redes Neuronales dirigidas
Más detallesINTRODUCCIÓN A LAS REDES NEURONALES EN LA DETECCIÓN DE INTRUSOS 1
INTRODUCCIÓN A LAS REDES NEURONALES EN LA DETECCIÓN DE INTRUSOS 1 Angela Diez Diez, Francisco J. Rodríguez Sedano Departamento de Ingeniería Eléctrica y Electrónica, Universidad de León E.II.I.I., Campus
Más detallesSistema de Reconocimiento de Rostros
Sistema de Reconocimiento de Rostros Martín Correa Franco Chichizola Armando E. De Giusti Marcelo Naiouf L.I.D.I., Facultad de Informática, Universidad Nacional de La Plata La Plata, Argentina, 1900 {francoch,degiusti,
Más detallesRedes Convolucionales en Comprensión de Escenas
Redes Convolucionales en Comprensión de Escenas Trabajo Final por Pablo D. Pusiol Trabajo final realizado para la Facultad de Matemática, Astronomía y Física (Fa.M.A.F), de la Universidad Nacional de Córdoba,
Más detallesRedes Neuronales Artificiales
Redes Neuronales Artificiales Claudio Javier Tablada Germán Ariel Torres Resumen. Una Red Neuronal Artificial es un modelo matemático inspirado en el comportamiento biológico de las neuronas y en la estructura
Más detallesSecretaría de Docencia Dirección de Estudios Profesionales
PROGRAMA DE ESTUDIO POR COMPETENCIAS REDES NEURONALES I. IDENTIFICACIÓN DEL CURSO Espacio Educativo: Facultad de Ingeniería Licenciatura: Ingeniería en Computación Área de docencia: Interacción Hombre-Máquina
Más detallesEl movimiento en problemas de visión artificial
El movimiento en problemas de visión artificial Rafael Molina Depto Ciencias de la Computación e IA Universidad de Granada 1 Contenidos I. Introducción II. Importancia del movimiento visual. III. Ejemplos
Más detallesAutenticación Facial Inteligente Snaider Javier, Proaño Valencia Andrés Proaño, López De Luise Daniela, Georgina Stegmayer
Autenticación Facial Inteligente Snaider Javier, Proaño Valencia Andrés Proaño, López De Luise Daniela, Georgina Stegmayer IT-Lab, Universidad de Palermo, Buenos Aires, Argentina, TE (54 11) 5199 4520
Más detallesCompresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales
Compresión de Imágenes para Diagnóstico Médico utilizando Redes Neuronales Lic. Lanzarini Laura 1 A.C. María Teresa Vargas Camacho 2 Dr. Amado Badrán 3 Ing. De Giusti Armando. 4 Laboratorio de Investigación
Más detallesInteligencia Artificial
Inteligencia Artificial Practica 2. (5 semanas) Rubén Cárdenes Almeida Redes neuronales. Introducción Las Redes Neuronales Artificiales (RNA) están inspiradas en la biología, esto significa que están formadas
Más detallesComplejidad de los datos en las Redes Neuronales Artificiales: Estado de la Cuestión
Complejidad de los datos en las Redes Neuronales Artificiales: Estado de la Cuestión P. Toribio 1, B. G. Rodriguez 1, R. Alejo 2 1 Centro Universitario UAEM Atlacomulco, Universidad Autónoma del Estado
Más detallesPredictor Basado en Prototipos Difusos y Clasificación Nosupervisada
Predictor Basado en Prototipos Difusos y Clasificación Nosupervisada JIISIC-CEIS'2015 Aníbal Vásquez, Enrique Peláez y Xavier Ochoa anibal.vasquez @cti.espol.edu.ec, epelaez@cti.espol.edu.ec, xavier@cti.espol.edu.ec
Más detallesALGUNOS RESULTADOS EXPERIMENTALES DE LA INTEGRACIÓN DE AGRUPAMIENTO E INDUCCIÓN COMO MÉTODO DE DESCUBRIMIENTO DE CONOCIMIENTO
ALGUNOS RESULTADOS EXPERIMENTALES DE LA INTEGRACIÓN DE AGRUPAMIENTO E INDUCCIÓN COMO MÉTODO DE DESCUBRIMIENTO DE CONOCIMIENTO Kogan, A. 1, Rancan, C. 2,3, Britos, P. 3,1, Pesado, P. 2,4, García-Martínez,
Más detallesRecAM. Reconocimiento Automático de Matrículas
RecAM Reconocimiento Automático de Matrículas Curso de Tratamiento de Imágenes por Computadora Año 2003 Tutor: Ing. Alvaro Pardo Integrantes: Rodrigo Abal Raúl Medeglia Nicolás Pebet De Qué Se Trata? Cada
Más detallesAprendizaje: Boosting y Adaboost
Técnicas de Inteligencia Artificial Aprendizaje: Boosting y Adaboost Boosting 1 Indice Combinando clasificadores débiles Clasificadores débiles La necesidad de combinar clasificadores Bagging El algoritmo
Más detallesPropuesta de implementación de un sistema de reconocimiento de expresiones faciales basado en flujo óptico
Propuesta de implementación de un sistema de reconocimiento de expresiones faciales basado en flujo óptico Carlos Herrera Muñoz 1 Alfonso Phocco Diaz 1 Filomen Incahuanaco Quispe 1 1 Universidad Nacional
Más detallesComparación de la Aplicación de Métodos Inductivos y Evolutivos para el. Aprendizaje de Redes Neuronales.
Comparación de la Aplicación de Métodos Inductivos y Evolutivos para el Aprendizae de Redes Neuronales. Ph. Dr. Ricardo Ribeiro Gudwin, Ing. Lizet Liñero Suárez, Lic. José Antonio Sánchez Guerrero Resumen:
Más detallesFiltrado de Imágenes y Detección de Orillas Utilizando un Filtro Promediador Móvil Multipunto Unidimensional
Filtrado de Imágenes y Detección de Orillas Utilizando un Filtro Promediador Móvil Multipunto Unidimensional Mario A. Bueno a, Josué Álvarez-Borrego b, Leonardo Acho a y Vitaly Kober c mbueno@cicese.mx,
Más detallesAplicación de las Redes Complejas a la Visión Artificial
Aplicación de las Redes Complejas a la Visión Artificial Ángel Sánchez Departamento de Ciencias de la Computación Universidad Rey Juan Carlos Campus de Móstoles 28933 Móstoles (Madrid) E-mail: angel.sanchez@urjc.es
Más detallesClasificación de Defectos en Madera utilizando Redes Neurales Artificiales
Computación Sistemas Vol. 9 Núm. 1, pp. 017-027 2005, CIC-IPN, ISSN 1405-5546, Impreso en México Clasificación de Defectos en Madera utilizando Redes Neurales Artificiales Wood Defects Classification Using
Más detallesMICRODISEÑO CURRICULAR Ingeniería de Sistemas. Créditos TPS TIS TPT TIT
1. IDENTIFICACIÓN Asignatura Visión Artificial Área Nivel IV Código Pensum Correquisito(s) Prerrequisito(s) Créditos TPS TIS TPT TIT 2. JUSTIFICACIÓN. La visión artificial es una de las disciplinas de
Más detallesRa Ximhai. Revista de Sociedad, Cultura y Desarrollo Sustentable
Ra Ximhai Revista de Sociedad, Cultura y Desarrollo Sustentable Ra Ximhai Universidad Autónoma Indígena de México ISSN: 1665-0441 México 2005 RECONOCIMIENTO DE DEFECTOS EN MADERAS UTILIZANDO UNA RED NEURO
Más detallesPredicción de índices de futuros financieros mediante redes neuronales
Predicción de índices de futuros financieros mediante redes neuronales Joan Bosch 1,Lluís Garrido 1,SergioGómez 2 1) Dept. d Estructura i Constituents de la Matèria, Facultat de Física, Universitat de
Más detallesUN SISTEMA DE VISIÓN ARTIFICIAL PARA DETECTAR Y ESTIMAR EL TAMAÑO DE ROCAS
UN SISTEMA DE VISIÓN ARTIFICIAL PARA DETECTAR Y ESTIMAR EL TAMAÑO DE ROCAS M. Araceli Sánchez, Julián Nieto, Jesús M. Berrocal Universidad de Salamanca Departamento de Informática y Automática Plaza de
Más detallesIntroducción a las Redes Neuronales
Introducción a las Redes Neuronales Excepto en las tareas basadas en el cálculo aritmético simple, actualmente, el cerebro humano es superior a cualquier computador: Reconocimiento de imágenes, Interpretación
Más detallesImplementación de una Nariz Electrónica para la Detección de Materia Orgánica en Desechos de Basura
Implementación de una Nariz Electrónica para la Detección de Materia Orgánica en Desechos de Basura M. en I.S.C. Francisco Jacob Ávila Camacho 1, M. en I.S.C. Juan Manuel Stein Carrillo 2, M.A.N. Adolfo
Más detallesCaracterización de Imágenes
de Imágenes Visión Artificial Andrea Rueda Pontificia Universidad Javeriana Departamento de Ingeniería de Sistemas Caracterizar: "determinar los atributos peculiares de alguien o de algo, de modo que claramente
Más detallesDISEÑO DE UN ROBOT MÓVIL PARA LA DETECCIÓN Y RASTREO DE UNA TRAYECTORIA BASADA EN PERCEPCIONES DE COLOR
DISEÑO DE UN ROBOT MÓVIL PARA LA DETECCIÓN Y RASTREO DE UNA TRAYECTORIA BASADA EN PERCEPCIONES DE COLOR Design of a mobile robot for the detection and tracking of a path based on color perception Verónica
Más detallesVisión artificial y Robótica Detección de movimiento y flujo óptico. Depto. de Ciencia de la Computación e Inteligencia Artificial
Visión artificial y Robótica Detección de movimiento y flujo óptico Depto. de Ciencia de la Computación e Inteligencia Artificial Contenidos Introducción Flujo óptico Structure From Motion Introducción
Más detallesPropuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio
Revista de Investigación ULASALLE, Rev Inv ULASALLE, Número 1, 2012 (55-64) Universidad La Salle Arequipa, Perú Propuesta de un modelo basado en redes neuronales para la detección de riesgo crediticio
Más detallesVISIÓN POR COMPUTADOR
VISIÓN POR COMPUTADOR Introducción Ingeniería de Sistemas y Automática Universidad Miguel Hernández Tabla de Contenidos 2 Definición de Visión por Computador Captación Información Luminosa Imagen Digital
Más detallesOBTENCION DE VECTORES CARACTERISTICOS POR MEDIO DE FILTROS DE GABOR PARA EL RECONOCIMIENTO DE ROSTROS
OBTENCION DE VECTORES CARACTERISTICOS POR MEDIO DE FILTROS DE GABOR PARA EL RECONOCIMIENTO DE ROSTROS Juan Carlos Oropeza Ortega, Mariko Nakano Miyatake, Héctor M Pérez Meana Instituto Politécnico Nacional
Más detallesSistema para el control inteligente de un robot manipulador System for the intelligent control of a robotic manipulator
AUTOMATIZACIÓN DE LAS MÁQUINAS Y DE LOS PROCESOS TECNOLÓGICOS AUTOMATION OF THE MACHINES AND THE TECHNOLOGICAL PROCESSES Sistema para el control inteligente de un robot manipulador System for the intelligent
Más detallesREDES NEURONALES. Una esquema simplificado de una neurona se muestra en la siguiente figura. Cuerpo celular. Dendrita. Axón.
REDES NEURONALES Las redes neuronales constituyen una poderosa herramienta para modelar sistemas, especialmente no lineales, sean dinámicos o estáticos. En el cuerpo celular se realizan la mayoría de las
Más detallesDetección de bordes en imágenes con sombras mediante LIP Canny
Detección de bordes en imágenes con sombras mediante LIP Canny José Manuel Palomares Área de Arq. y Tec. de Computadores Dept. de Electrotecnia y Electrónica Universidad de Córdoba Escuela Politécnica
Más detallesAPLICACIÓN DE LAS REDES NEURONALES PARA EL CONTROL Y SEGUIMIENTO EN TIEMPO REAL DE LOS INCENDIOS FORESTALES MEDIANTE IMÁGENES NOAA-AVHRR
APLICACIÓN DE LAS REDES NEURONALES PARA EL CONTROL Y SEGUIMIENTO EN TIEMPO REAL DE LOS INCENDIOS FORESTALES MEDIANTE IMÁGENES NOAA-AVHRR K. R. Al-Rawi, and J. L. Casanova E-mail:kamal@latuv.uva.es Laboratorio
Más detallesSistemas Conexionistas
1 Objetivo Sistemas Conexionistas Curso 2011/2012 El objetivo de esta práctica es usar un conjunto de redes de neuronas artificiales para abordar un problema de reconocimiento de figuras sencillas en imágenes
Más detallesGuía Docente Curso 2008-2009
Nombre: Sistemas de percepción robótica Denominación en inglés 1 : Robotic perception ESCUELA POLITECNICA SUPERIOR Guía Docente Curso 2008-2009 Titulación Ingeniería Industrial DATOS DE LA ASIGNATURA Código:
Más detallesPerceptrón Multicapa. Aplicaciones
Perceptrón Multicapa Aplicaciones Perceptrón Multicapa Para qué se puede usar un perceptrón multicapa? Aproximación de funciones Clasificación Compresión Radiación solar Peligro Calma Datos originales
Más detallesFrancisco J. Hernández López
Francisco J. Hernández López fcoj23@cimat.mx Proceso computacional que transforma una o más imágenes de entrada en una imagen de salida. Se utiliza para analizar e interpretar la imagen, por medio de algoritmos
Más detalles[Aguilar & Toledo 95] Aguilar David, Toledo Vicente, Diseño de un OCR utilizando
68 BIBLIOGRAFÍA. [Aguilar & Toledo 95] Aguilar David, Toledo Vicente, Diseño de un OCR utilizando Redes Neuronales Artificiales, Tesis Profesional del Departamento de Ingeniería en Sistemas Computacionales
Más detallesSARTA: SOFTWARE PARA LA CLASIFICACIÓN DE IMÁGENES REMOTAMENTE DETECTADAS BASADO EN REDES SUPERVISADAS TIPO ART
SARTA: SOFTWARE PARA LA CLASIFICACIÓN DE IMÁGENES REMOTAMENTE DETECTADAS BASADO EN REDES SUPERVISADAS TIPO ART CONSUELO GONZALO MARTIN 1, ESTÍBALIZ MARTÍNEZ IZQUIERDO 1, AGUEDA ARQUERO HIDALGO 1, KAMAL
Más detallesMONITOR DE PERTURBACIONES EN SEÑALES TRIFÁSICAS BASADO EN REDES NEURONALES
MONITOR DE PERTURBACIONES EN SEÑALES TRIFÁSICAS BASADO EN REDES NEURONALES CARLOS LEÓN 1, ANTONIO LÓPEZ 1, JUAN C. MONTAÑO 2, JOSÉ M. ELENA 1, ÍÑIGO MONEDERO 1 1 Departamento de Tecnología Electrónica
Más detallesEnfoque Conceptual Borroso en Recuperación de Información
I Workshop Virtual de Ingeniería Linguística UNAB-NAACL Enfoque Conceptual Borroso en Recuperación de Información Prof. Dr. Andrés Soto Villaverde Universidad Autónoma del Carmen Cd. Carmen, Campeche,
Más detallesSistema inteligente para el tratamiento de ruidos
Sistema inteligente para el tratamiento de ruidos G.M.Barrera, F.D.Goldenstein, D.M.López de Luise Universidad de Palermo (Tel.: 54--599-4520, aigroup@palermo.edu). Objetivos y alcance El principal objetivo
Más detallesAUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES
XXV Jornadas de Automática Ciudad Real, del 8 al 10 de septiembre de 2004 AUTOGUIADO DE ROBOTS MÓVILES MEDIANTE REDES NEURONALES Mª Concepción Marcos Provecho Escuela de Ingenierías Industrial e Informática.
Más detallesBryan Montes C., Omar David Bello S., Oscar Manuel Piragauta G., Alvaro David Orjuela-Cañón
Bryan Montes C., Omar David Bello S., Oscar Manuel Piragauta G., Alvaro David Orjuela-Cañón Comparativa de rendimiento y resultado en el reconocimiento óptico de números escritos a mano usando funciones
Más detallesUSO DE REDES NEURONALES AUTOORGANIZATIVAS DINÁMICAS NO SUPERVISADAS PARA LA DISCRIMINACIÓN DE TIPOS DE AGUAS EN LAGOS
USO DE REDES NEURONALES AUTOORGANIZATIVAS DINÁMICAS NO SUPERVISADAS PARA LA DISCRIMINACIÓN DE TIPOS DE AGUAS EN LAGOS Delgado Soledad 1 ; Gonzalo Consuelo 2 ; Lillo-Saavedra Mario 3, Martínez Estibaliz
Más detallesAprendizaje Automatizado
Aprendizaje Automatizado Aprendizaje Automatizado Programas que mejoran su comportamiento con la experiencia. Dos formas de adquirir experiencia: A partir de ejemplos suministrados por un usuario (un conjunto
Más detallesReconocimiento de patrones mediante redes neuronales artificiales
Reconocimiento de patrones mediante redes neuronales artificiales Hugo Vega Huerta, Augusto Cortez Vásquez, Ana María Huayna, Luis Alarcón Loayza, Pablo Romero Naupari Facultad de Ingeniería de Sistemas
Más detallesAproximación evolutiva a la inducción constructiva basada en expresiones algebraicas
Aproximación evolutiva a la inducción constructiva basada en expresiones algebraicas Manuel Baena García, Rafael Morales Bueno y Carlos Cotta Porras Workshop MOISES Septiembre 2004 1/15 Contenido Inducción
Más detallesSistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos. CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides
Sistemas de Sensación Segmentación, Reconocimiento y Clasificación de Objetos CI-2657 Robótica M.Sc. Kryscia Ramírez Benavides Introducción La visión artificial, también conocida como visión por computador
Más detallesRegresión con SVM para reducir la inconsistencia de la matriz AHP
Regresión con SVM para reducir la inconsistencia de la matriz AHP Fabián E. Favret, Federico Matías Rodríguez, Marianela Daianna Labat Departamento de Ingeniería y Ciencias de la Producción, Universidad
Más detallesReconocimiento de Huellas Dactilares
UNIVERSIDAD TECNOLOGICA NACIONAL FACULTAD CÓRDOBA CARRERA INGENIERÍA EN SISTEMAS DE INFORMACIÓN (PLAN 1985) TRABAJO FINAL PARA OBTENER EL TÍTULO INTERMEDIO DE ANALISTA UNIVERSITARIO DE SISTEMAS ASIGNATURA
Más detallesTema 5. Reconocimiento de patrones
Tema 5. Reconocimiento de patrones Introducción al reconocimiento de patrones y a la clasificación de formas Un modelo de general de clasificador Características discriminantes Tipos de clasificación Clasificadores
Más detallesIntroducción a Las redes Neuronales (Neurales) CO-6612
Introducción a Las redes Neuronales (Neurales) CO-662 Coordenadas iniciales: Prof. Minaya Villasana Oficina: CBI-2 Extension: 906 3386 forma más fácil (preferida) de contacto: mvillasa@usb.ve Bibliografia:
Más detallesGUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC)
GUÍA DOCENTE: Sistemas Basados en Conocimiento y Minería de Datos (SBC) Curso Académico: 2015-2016 Programa: Centro: Universidad: Máster Universitario en Ingeniería Informática Escuela Politécnica Superior
Más detallesINTRODUCCIÓN A LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA
INTRODUCCIÓN A LOS SISTEMAS DE INFORMACIÓN GEOGRÁFICA 3. Entrada y edición de datos Departamento de Geografía Universidad de Alcalá 3-1 Funciones básicas de un SIG ENTRADA SALIDA Mapas analógicos Listados
Más detallesModelos de iluminación BRDF (Bidirectional Reflectance Distribution Function)
Modelos de iluminación BRDF (Bidirectional Reflectance Distribution Function) Alba Sornosa Campos Programación Avanzada sobre Tarjetas Gráficas Grado en Ingeniería Multimedia Índice 1. Introducción 2.
Más detallesCourse 4: Neural networks Prof. Santiago Falcón
Course 4: Neural networks Prof. Santiago Falcón Module 2: Data analysis and modelling using Bayesian and neural networks Advanced Data Analysis and Modelling Summerschool Madrid June 26th to July 27th
Más detallesEIGENFUNGI: Desarrollo de un Método de Data Mining para la Detección Automática de Patrones en Microscopía Aplicada a Micología Médica.
EIGENFUNGI: Desarrollo de un Método de Data Mining para la Detección Automática de Patrones en Microscopía Aplicada a Micología Médica Marcela L. Riccillo Facultad de Ciencias Exactas y Naturales, Universidad
Más detallesAplicaci n de los Mapas Autoorganizativos al campo de la Documentaci n
Aplicaci n de los Mapas Autoorganizativos al campo de la Documentaci n SRP Carlos Carrascosa Casamayor Vicente J. Julián Inglada Introducci n Objetivo: Cubrir necesidades de: Organizar, explorar y buscar
Más detallesEigenespacios de belleza paramétricos como máquina calificadora
Eigenespacios de belleza paramétricos como máquina calificadora Ricardo Solano Monje 1, Nayeli Joaquinita Meléndez Acosta 2, Sergio Juárez Vázquez 1, Homero Vladimir Ríos Figueroa 3 Universidad del Istmo,
Más detallesDetección de Focos de Infección de Ramularia Tulasnei Usando Segmentación y una Red Neuronal
Congreso Nacional de Control Automático 2013 Ensenada, Baja California, Mexico, Octubre 16-18, 2013 Detección de Focos de Infección de Ramularia Tulasnei Usando Segmentación y una Red Neuronal J. Jalomo,
Más detallesSistemas de predicción Aprendizaje automático Data Mining & Machine Learning
Data Mining & Machine Learning Ibon B. Salbidegoitia ibon.salbidegoitia@meteoforenergy.com 1 Comunicación 2 Comunicación 3 Comunicación 4 Almacenamiento SIZE: byte kilobyte megabyte gigabyte terabyte petabyte
Más detallesSistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales
Sistema de medición y control de proceso industrial de embotellado con algoritmo de redes neuronales César E. Martínez Reinoso, Mario Alvarez Sifontes, Francisco J. Arteaga Bravo Unidad de Investigación
Más detallesImplementación de la transformada wavelet discreta para imágenes en un FPGA
Implementación de la transformada wavelet discreta para imágenes en un FPGA Madeleine León 1, Carlos A. Murgas 1, Lorena Vargas 2, Leiner Barba 2, Cesar Torres 2 1 Estudiantes de pregrado de la Universidad
Más detallesDiseño de procesadores neuronales orientados a redes multi-etapa implementados en FPGA
Diseño de procesadores neuronales orientados a redes multi-etapa implementados en FPGA Mg. Marcelo A. Tosini Grupo Inca/Intia Facultad de Ciencias Exactas Universidad Nacional del Centro de la Provincia
Más detallesPalabras Claves: Inteligencia Artificial, Discriminación de formularios, Redes Neuronales Artificiales.
Revista Tecnológica ESPOL, Vol. 20, N. 1, 149-155, (Octubre, 2007), ISSN : 0257-1749 Sistema de Clasificación de los Cuestionarios Llenados en el Proceso de Encuesta, que se Realizan para la Evaluación
Más detallesAprendizaje Computacional. Eduardo Morales y Jesús González
Aprendizaje Computacional Eduardo Morales y Jesús González Objetivo General La capacidad de aprender se considera como una de los atributos distintivos del ser humano y ha sido una de las principales áreas
Más detallesProcesamiento digital de imágenes
Procesamiento digital de imágenes Dr. Luis Gerardo de la Fraga E-mail: fraga@cs.cinvestav.mx Departamento de Computación Cinvestav 15 de febrero, 2011 Dr. Luis Gerardo de la Fraga UPIBI, 2011 Procesamiento
Más detalles