Escuela de Ingeniería de Sistemas e Informática
Permanent URI for this community
Browse
Browsing Escuela de Ingeniería de Sistemas e Informática by Subject "aprendizaje profundo"
Now showing 1 - 3 of 3
Results Per Page
Sort Options
Item Algoritmo de clasificación de objetos en imágenes difractivas basado en medidas cuadráticas codificadas usando un enfoque de Aprendizaje Profundo(Universidad Industrial de Santander, 2022-03-29) Morales Norato, David Santiago; Jerez Ariza, Andrés Felipe; Argüello Fuentes, Henry; Niño Quiñónez, Héctor; González Gómez, Andrés LeonardoEl aprendizaje profundo se ha usado ampliamente en el área de visión por computador, así como en la clasificación de objetos. Sin embargo, los enfoques tradicionales se basan principalmente en imágenes de intensidad adquiridas por sistemas de propagación lineal. Dado que los detectores ópticos solo pueden medir la intensidad del campo óptico complejo subyacente, estos sistemas lineales solo registran la información de magnitud, mientras que la información de fase no se puede medir. La recuperación de fase se ha abordado a través de sistemas cuadráticos que modulan el campo óptico usando máscaras de codificación, produciendo medidas cuadráticas codificadas. La clasificación de medidas cuadráticas se ha propuesto recientemente sin el paso de reconstrucción debido a su alto costo computacional. No obstante, la clasificación de medidas cuadráticas codificadas no ha sido estudiada en el estado del arte. Este trabajo propone un esquema de clasificación de objetos sobre medidas cuadráticas codificadas usando aprendizaje profundo. El esquema propuesto consta de tres etapas principales: una capa de adquisición, que simula el proceso de adquisición; un paso de inicialización que estima el campo óptico; y una arquitectura de red neuronal que realiza la tarea de clasificación sobre la estimación inicial. Los resultados de la simulación muestran que el método de clasificación propuesto supera el enfoque tradicional al evaluar diferentes métricas de clasificación sobre los conjuntos de datos MNIST y Fashion-MNIST a partir de los campos cercano, medio y lejano.Item Algoritmo de reconstrucción de datos sísmicos adquiridos mediante geometrías compresivas usando un enfoque de aprendizaje profundo interno y externo(Universidad Industrial de Santander, 2023-03-01) Rivera León, Sebastian; Galvis Carrreño, Laura Viviana; Arguello Fuentes, Henry; Gélvez Barrera, Tatiana Carolina; Guayacán Chaparro, Luís Carlos; Pertúz Arroyo, Said DavidLa obtención de imágenes sísmicas requiere una configuración densa de receptores y fuentes para obtener datos interpretables de alta calidad para la exploración de hidrocarburos. Sin embargo, las condiciones económicas y medioambientales suelen limitar el número de fuentes empleadas en la adquisición. Los métodos actuales de adquisición de datos sísmicos se centran en reconstruir o interpolar computacionalmente las fuentes que faltan, reduciendo los costos. Sin embargo, la mayoría de los trabajos se basan en algoritmos de optimización, donde la calidad depende de la propia naturaleza del dato; o en el aprendizaje profundo, donde la disponibilidad limitada de datos de entrenamiento también limita el proceso de entrenamiento. Por lo tanto, en este trabajo se propone la integración de aprendizaje profundo interno y externo en las siguientes dos etapas: un paso de aprendizaje de una arquitectura de red neuronal en la tarea de recuperación de fuentes sísmicas empleando aprendizaje profundo externo; y un paso de reentrenamiento de la misma arquitectura de red neuronal bajo el esquema de aprendizaje profundo interno. Los resultados experimentales muestran que el método propuesto supera a los trabajos del estado del arte al evaluar diferentes métricas de error y similitud en los conjuntos de datos sísmicos estudiados.Item Segmentación automática de la aorta abdominal en tomografías computarizadas cardíacas usando aprendizaje profundo(Universidad Industrial de Santander, 2022-03-29) Rozo Quintana, Liceth Yaneth; Bautista Rozo, Lola Xiomara; Bautista Rojas, Luis Eduardo; Martínez Carrillo, Fabio; González Gómez, Andrés LeonardoLa imagenología es una herramienta de apoyo diagnóstica bastante útil en el campo de la medicina, en particular, las Tomografías Computarizadas brindaron la posibilidad de explorar el cuerpo humano de manera no invasiva, pero el proceso de adquisición de las mismas las hace susceptibles al ruido ocasionado por múltiples factores, además que la composición de diversos elementos y tejidos hace difícil la identificación de los mismos, por lo tanto, es necesario segmentar las imágenes para aislar los diferentes componentes, pero este proceso usualmente es un proceso exhaustivo. La automatización de tareas, como por ejemplo, la identificación de patrones, es transversal a todas las áreas del conocimiento, la medicina no es ajena a ello. El propósito de este trabajo de grado es aplicar métodos basados en técnicas de aprendizaje profundo para automatizar el proceso de segmentación de imágenes de tomografías computarizadas del área abdominal, dado que los métodos tradicionales son altamente dependientes de la intervención humana. Principalmente se aprovecharon dos tipos de arquitecturas, las U-Net y las Seg-Net. Donde el coeficiente de Dice para el entrenamiento de la red U-Net implementada es del 97 % y 87 % en entrenamiento y validación respectivamente. Para la red Seg-Net implementada el coeficiente de Dice fue del 87 % y 82 % en entrenamiento y validación respectivamente. Permitiendo tener datos segmentados para la construcción de modelos tridimensionales.