Escuela de Ingeniería de Sistemas e Informática
Permanent URI for this community
Browse
Browsing Escuela de Ingeniería de Sistemas e Informática by browse.metadata.evaluator "Correa Pugliese, Claudia Victoria"
Now showing 1 - 4 of 4
Results Per Page
Sort Options
Item Aprendizaje supervisado y guiado por modelos generativos para la atenuación de ruido y corrección de daños estructurales en imágenes sísmicas post-apilado(Universidad Industrial de Santander, 2024-08-26) Torres Quintero, Javier Andrés; Arguello Fuentes, Henry; Goyes Peñafiel, Yesid Paul; Galvis Carreño, Laura Viviana; Correa Pugliese, Claudia VictoriaLa adquisición de datos fiables del subsuelo es fundamental para la toma de decisiones en la exploración de materias primas como hidrocarburos, geotermia, depósitos minerales, y otros. Estos datos se usan para construir representaciones gráficas de las estructuras del subsuelo conocidas como imágenes sísmicas, mediante las que se pueden realizar interpretaciones y determinar áreas atractivas para la exploración. Debido a la naturaleza de la adquisición, las imágenes se ven afectadas por ruido o daños estructurales, lo cual disminuye su calidad, aumentando la dificultad de la interpretación sísmica. Estos daños han sido clasificados en dos tipos: aleatorio, relacionado con variables ambientales como el viento que no afectan directamente la señal; y coherente, que se relaciona con las fuentes de adquisición y afecta la señal directamente. Existen métodos que buscan solucionar este problema, por ejemplo, algunos enfoques tradicionales basados en el filtro de mediana o filtro pasa banda, y otros basados en aprendizaje profundo. Los métodos de la literatura requieren que el ruido siga una distribución específica como la gaussiana o Poisson que no representan la complejidad del ruido sísmico. Por otro lado, los basados en aprendizaje profundo suelen enfocarse en daños ya caracterizados como el ground roll, y aunque son eficientes en la tarea, si la imagen es distante del dominio usado para el entrenamiento, el rendimiento se ve reducido, afectando la capacidad de generalización. Por lo tanto, en este trabajo se presenta un esquema de atenuación que no depende de distribuciones específicas de ruido y añade variabilidad al dominio de entrenamiento aumentando la capacidad de generalización mediante aprendizaje supervisado y guiado por modelos generativos. El método consiste en una base de datos dinámica compuesta por un modelo generativo y un operador de degradación, que guía el entrenamiento de una red (attention U-net) encargada de la tarea de atenuación mediante la creación de los datos de entrada y las etiquetas, además, para los casos en que la red no puede atenuar satisfactoriamente, el operador puede adaptar el dominio de nuevo ruido a través de transferencia de estilo.Item Destilado de bases de datos de imágenes hiperespectrales basado en aprendizaje profundo para la solución de problemas de clasificación(Universidad Industrial de Santander, 2024-08-28) Gutiérrez Palomino, Edinsson; Arguello Fuentes, Henry; Jácome Carrascal, Román Alejandro; Correa Pugliese, Claudia Victoria; Bacca Quintero, Jorge LuisEl destilado (o condensación) de bases de datos es una técnica utilizada para reducir la dimensionalidad de los conjuntos de datos empleados en el entrenamiento de modelos de aprendizaje profundo, que, según Yu et al. (2024), fue inicialmente propuesta por Wang et al. (2020); pero que sin embargo, a dı́a de hoy aún tiene limitaciones para su aplicación en datos de alta dimensionalidad (Lei and Tao, 2024) en los cuales se incluyen las imágenes hiper- espectrales, un tipo de señal que se caracteriza (entre otras cosas) por proveer información a lo largo de una enorme gama de frecuencias del espectro electromagnético a una escala mayor que la de las imágenes multiespectrales, lo que la convierte en la señal de tipo imagen con mayor dimensionalidad; pero que a pesar de ello es ampliamente utilizada para resolver diversos problemas de clasificación de (entre otras cosas) materiales, tipos de suelo, sustancias y enfermedades, a menudo por medio de clasificadores basados en aprendizaje profundo, los cuales también son co- nocidos por su alto costo de entrenamiento debido a la enorme cantidad de parámetros optimizables que poseen, lo que dificulta aún mas la tarea de entrenamiento y clasificación en proyectos con capacidades de cómputo limitadas. Es debido a lo anterior que este trabajo investigativo presenta la implementación de un algoritmo de destilado basado en el aprendizaje profundo aplicado a imágenes hiperespectrales. Referencias: Yu, R., Liu, S., and Wang, X. (2024). Dataset distillation: A comprehensive review. IEEE Transac- tions on Pattern Analysis and Machine Intelligence, 46(1):150–170. Wang, T., Zhu, J.-Y., Torralba, A., and Efros, A. A. (2020). Dataset distillation. Lei, S. and Tao, D. (2024). A comprehensive survey of dataset distillation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 46(1):17–32.Item Diseño de un sistema de identificación para la clasificación automática de tornillos metálicos usados en osteosíntesis(Universidad Industrial de Santander, 2023-05-23) Pinzón Uribe, Hazel David; Sanmiguel Arenas, Camilo Enrique; González Gómez, Andrés Leonardo; Meneses Fonseca, Jaime Enrique; Bacca Quintero , Jorge Luis; Correa Pugliese, Claudia VictoriaLa implementación de un sistema automatizado de identificación y clasificación de tornillos ofrece numerosos beneficios. Al reducir los errores en la clasificación, se mejora la precisión y la eficiencia de los procedimientos quirúrgicos. Además, se optimizan los recursos humanos al apoyar el trabajo de los operarios. Esta puede ser una tarea propensa a errores, debido a la gran variedad de tornillos existentes en el mercado y a la dificultad de distinguir entre ellos. Además, el proceso manual de clasificación puede ser costoso en términos de tiempo, recursos humanos e inducir cansancio en los operarios, lo que puede afectar la eficiencia del proceso quirúrgico y aumentar el riesgo de errores y complicaciones. Por lo tanto, se necesita una solución automatizada que pueda clasificar de manera precisa y eficiente los tornillos de osteosíntesis para mejorar la seguridad de los procedimientos quirúrgicos, que apoyen la labor de operarios humanos, lo que hace al sistema más eficiente y efectivo. En este trabajo se presenta, un sistema de identificación que permita clasificar automáticamente tornillos metálicos a partir de imágenes bidimensionales implementando técnicas de visión por computador y redes neuronales convolucionales para reducir el nivel de error en procesos de identificación y clasificación de tornillos de osteosíntesis.Item REPRESENTACIONES AUTO-SUPERVISADAS DE MATRICES SPD PARA LA CUANTIFICACIÓN DE PATRONES DE FIJACIÓN OCULAR EN PACIENTES CON PARKINSON(Universidad Industrial de Santander, 2023-08-09) Sandoval Pineda, Edward Andres; Martinez Carrillo, Fabio; Moreno Tarazona, Alejandra; Correa Pugliese, Claudia VictoriaLa enfermedad de Parkinson (EP) es el segundo trastorno neurodegenerativo más común en el mundo, afectando entre el 2 y 3 % de la población mayor a 65 años. Esta enfermedad no tiene cura y hasta ahora no se conoce un biomarcador definitivo para la detección y cuantificación de la enfermedad. Recientemente las alteraciones oculomotoras durante tareas de fijación ocular han demostrado evidencias prometedoras como descriptor de la enfermedad, con suficiente sensibilidad para discriminar entre estadios de la enfermedad, incluso en etapas tempranas. No obstante, los métodos computacionales para soportar el diagnóstico y apoyar la cuantificación son basados en procesos estrictamente supervisados, requiriendo grandes volúmenes de datos e incluyendo un sesgo asociado a la subjetividad de las observaciones de expertos. En este trabajo se propone una arquitectura auto-supervisada de caracter Riemanniano que puede aprender patrones de fijación oculomotor sin supervisión. Los descriptores embebidos resultantes de esta representación tiene la capacidad de discriminar secuencias de video de personas afectadas con la EP con respecto a una población control. Las observaciones de fijación son proyectadas a una red convolucional pre-entrenada para obtener una descripción en términos de características profundas de nivel intermedio. Estas características son a su vez codificadas en matrices simétricas definidas positivas (SPD), que sirven como entrada a la representación la arquitectura auto-supervisada. Entonces, la representación propuesta es capaz de aprovechar la estructura geométrica de los datos, considerando al variedad de Riemann, para obteners descriptores embebidos geométricos y compactos. Estos vectores en una tarea de clasificación, en un estudio con 13 pacientes control y 13 pacientes diagnósticados con la EP, logró una exactitud de 92.3% y un AUC de 0.97$