Please use this identifier to cite or link to this item:
https://rinacional.tecnm.mx/jspui/handle/TecNM/5849| Title: | "Sintonización de una Red Totalmente Conectada para Segmentación de Dos Clases de Objetos en Imágenes" |
| Authors: | Suarez Santiago, Diego Gabriel%688344 |
| metadata.dc.subject.other: | Segmentación de imágenes a color, Redes Neuronales Convolucionales, Aprendizaje Profundo, GPU. |
| Issue Date: | 2018-01-19 |
| Publisher: | Tecnológico Nacional de México |
| metadata.dc.publisher.tecnm: | Centro Nacional de Investigación y Desarrollo Tecnológico |
| Description: | En esta tesis se realiz´o la sintonizaci´on de una Red Neuronal Convolucional (Convolutional Neural Network, CNN) para poder segmentar dos clases de objetos del repositorio BSDS500 del Grupo de Visi´on por Computadora (Computer Vision Group, CVG) de la Universidad de Berkeley. Las im´agenes que se utilizaron para evaluar este trabajo fueron obtenidas del repositorio mencionado, ya que ´estas presentan condiciones que hacen dif´ıcil realizar este proceso, por ejemplo: la presencia de sombras, texturas y colores similares, iluminación no uniforme, oclusión, entre otras; además, de proporcionar métricas para evaluar la calidad de la segmentación, así como segmentaciones manuales sugeridas por diferentes usuarios. En cuanto a las Redes Neuronales Convolucionales, se utilizaron los modelos FCN-Alexnet y FCN-8s para realizar los experimentos, dando mejores resultados éste último, tanto cualitativa como cuantitativamente, con las métricas: Índice Probabilístico Rand (PRI), Variación de la Información (VI) y Error de Consistencia Global (GCE). Las Redes Neuronales Convolucionales se consideran técnicas de Aprendizaje Profundo (Deep Learning, DL) debido a que cuentan con más de una capa oculta. Estas redes permiten la extracción de características significativas en sus capas de convolución, las cuales son útiles para realizar diversas tareas, y que han demostrado su efectividad en el campo de Visión Artificial (Lee et al., 2009). Estos modelos fueron implementados en una Unidad de Procesamiento Gráfico (Graphics Processing Unit, GPU) NVIDIA, para agilizar el procesamiento de las imágenes, optimizar los recursos disponibles y que fuera factible la realización de múltiples entrenamientos y pruebas con dicho modelo. |
| metadata.dc.type: | info:eu-repo/semantics/masterThesis |
| Appears in Collections: | Tesis de Maestría en Computación |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| MC_Diego_Gabriel_Suarez_Santiago_2018.pdf | Tesis | 64.63 MB | Adobe PDF | View/Open |
| MC_Diego_Gabriel_Suarez_Santiago_2018-c.pdf Restricted Access | Cesión de Derechos | 135.01 kB | Adobe PDF | View/Open Request a copy |
This item is protected by original copyright |
This item is licensed under a Creative Commons License
