Diseño de un algoritmo computacional basado en aprendizaje profundo para la optimización de un sistema óptico de adquisición de imágenes que preservan la privacidad para la estimación de acciones en entornos clínicos

Morales Norato, David Santiago

Diseño de un algoritmo computacional basado en aprendizaje profundo para la optimización de un sistema óptico de adquisición de imágenes que preservan la privacidad para la estimación de acciones en entornos clínicos

dc.contributor.advisor	Argüello Fuentes, Henry
dc.contributor.advisor	Rueda Chacón, Hoover Fabián
dc.contributor.author	Morales Norato, David Santiago
dc.contributor.evaluator	Meza Narváez, Pablo Francisco
dc.contributor.evaluator	Meneses Fonseca, Jaime Enrique
dc.date.accessioned	2025-05-26T15:42:02Z
dc.date.available	2025-05-26T15:42:02Z
dc.date.created	2025-05-21
dc.date.issued	2025-05-21
dc.description.abstract	La preservación de la privacidad en sistemas de visión por computadora es esencial, especialmente en aplicaciones médicas donde se manejan datos sensibles de los pacientes. Las soluciones actuales, como sistemas óptico-computacionales que distorsionan las imágenes desde su adquisición, presentan limitaciones en el balance entre preservación efectiva de la privacidad y el desempeño en estimación de acciones. Este trabajo propone un algoritmo para optimizar un sistema óptico mediante la combinación de técnicas multimodales y parametrizaciones avanzadas de elementos ópticos difractivos (EODs), regularizados por métricas como el número de condición y la función de transferencia de modulación (MTF). Las funciones de regularización junto a las parametrizaciones de EODs propuestas promueven distorsiones del campo óptico más fuertes que las superficies tradicionales basadas en polinomios de Zernike, incrementando la privacidad visual. Además, la integración de datos visuales y textuales mediante un esquema multimodal mejora el rendimiento en la estimación de acciones y permite realizar estimaciones en escenarios con datos limitados mediante la técnica "Zero-shot". El método fue evaluado utilizando conjuntos de datos de estimación de acciones en entornos clínicos, analizando tanto su rendimiento en estimación de acciones como sus propiedades ópticas mediante métricas como la resolución, la MTF y el número de condición, demostrando su eficacia en aplicaciones clínicas.
dc.description.abstractenglish	Privacy-preserving computer vision systems are essential, especially in medical applications where sensitive patient data is processed. Current methods involve Zernike-based optical-computational systems that distort the optical field before image acquisition; however, they face challenges in effectively preserving privacy while ensuring action recognition performance. This work proposes an algorithm to optimize an optical system through multimodal techniques and advanced parametrizations of diffractive optical elements (DOE), regularized by the condition number of the convolution matrix generated by the point spread function (PSF) and the modulation transfer function (MTF). The proposed regularization functions ensure stronger distortions than traditional Zernike-based continuous surfaces, enhancing visual privacy. Additionally, the multimodal scheme integrates visual and text information, improving action recognition performance and enabling estimations in data-limited scenarios through zero-shot learning. The proposed method was evaluated using multiple action recognition datasets, including those from clinical environments, to assess performance and optical properties. The evaluation included metrics such as resolution, MTF, and condition number, demonstrating that the optimized optical system successfully balances privacy and recognition performance. This approach offers a reliable framework for developing secure and efficient computer vision systems in clinical applications, ensuring that sensitive data remains protected without compromising functionality.
dc.description.degreelevel	Maestría
dc.description.degreename	Magíster en Matemática Aplicada
dc.format.mimetype	application/pdf
dc.identifier.instname	Universidad Industrial de Santander
dc.identifier.reponame	Universidad Industrial de Santander
dc.identifier.repourl	https://noesis.uis.edu.co
dc.identifier.uri	https://noesis.uis.edu.co/handle/20.500.14071/45657
dc.language.iso	spa
dc.publisher	Universidad Industrial de Santander
dc.publisher.faculty	Facultad de Ciencias
dc.publisher.program	Maestría en Matemática Aplicada
dc.publisher.school	Escuela de Física
dc.rights	info:eu-repo/semantics/openAccess
dc.rights.accessrights	info:eu-repo/semantics/openAccess
dc.rights.coar	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons	Atribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.license	Atribución-NoComercial-SinDerivadas 2.5 Colombia (CC BY-NC-ND 2.5 CO)
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject	Elementos ópticos difractivos
dc.subject	Privacidad
dc.subject	Reconocimiento de acciones
dc.subject	Preservación de la privacidad visual
dc.subject	Aprendizaje multimodal
dc.subject.keyword	Diffractive Optical Elements
dc.subject.keyword	Privacy-Preserving Action Recognition
dc.subject.keyword	Multimodal Learning
dc.title	Diseño de un algoritmo computacional basado en aprendizaje profundo para la optimización de un sistema óptico de adquisición de imágenes que preservan la privacidad para la estimación de acciones en entornos clínicos
dc.title.english	End-to-End Design of Diffractive Optical Elements for Privacy-Preserving Action Recognition Systems in Clinical Environments
dc.type.coar	http://purl.org/coar/resource_type/c_bdcc
dc.type.hasversion	http://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.local	Tesis/Trabajo de grado - Monografía - Maestría