Algoritmo de clasificación de objetos en imágenes difractivas basado en medidas cuadráticas codificadas usando un enfoque de Aprendizaje Profundo
dc.contributor.advisor | Jerez Ariza, Andrés Felipe | |
dc.contributor.advisor | Argüello Fuentes, Henry | |
dc.contributor.author | Morales Norato, David Santiago | |
dc.contributor.evaluator | Niño Quiñónez, Héctor | |
dc.contributor.evaluator | González Gómez, Andrés Leonardo | |
dc.date.accessioned | 2022-04-06T15:27:01Z | |
dc.date.available | 2022-04-06T15:27:01Z | |
dc.date.created | 2022-03-29 | |
dc.date.issued | 2022-03-29 | |
dc.description.abstract | El 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. | |
dc.description.abstractenglish | Deep learning has been broadly used in computer vision such as in object classification. However, traditional object classification approaches are mostly based on intensity images acquired by linear propagation systems. Since optical detectors can only measure the intensity underlying complex optical field, these linear systems capture only magnitude information, while the phase information cannot be directly measured. Then, the phase recovery has been addressed by using quadratic systems that modulate the optical field from coding masks, producing coded quadratic measurements. Quadratic measurement classification has been recently proposed without the reconstruction step because of its high computational cost. Nevertheless, coded quadratic measurement classification has not been studied in the state-of-the-art. This work proposes an object classification scheme over coded quadratic measurements through deep learning. The proposed scheme consists of three main stages: an acquisition layer that simulates the acquisition process; an initialization step that estimates the optical field; and a neural network architecture that performs the classification task over the initial guess. Simulation results show that the proposed classification method overcomes traditional approach by evaluating different classification metrics over MNIST and Fashion-MNIST datasets from the near, middle, and far-fields. | |
dc.description.degreelevel | Pregrado | |
dc.description.degreename | Ingeniero de Sistemas | |
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/20.500.14071/9718 | |
dc.language.iso | spa | |
dc.publisher | Universidad Industrial de Santander | |
dc.publisher.faculty | Facultad de Ingeníerias Fisicomecánicas | |
dc.publisher.program | Ingeniería de Sistemas | |
dc.publisher.school | Escuela de Ingeniería de Sistemas e Informática | |
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 | Attribution-NonCommercial 4.0 International (CC BY-NC 4.0) | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Medidas cuadráticas codificadas | |
dc.subject | recuperación de fase | |
dc.subject | máscaras de codificación | |
dc.subject | aprendizaje profundo | |
dc.subject | clasificación de objetos | |
dc.subject.keyword | Coded quadratic measurements | |
dc.subject.keyword | phase retrieval | |
dc.subject.keyword | coding masks | |
dc.subject.keyword | deep learning | |
dc.subject.keyword | object classification | |
dc.title | Algoritmo de clasificación de objetos en imágenes difractivas basado en medidas cuadráticas codificadas usando un enfoque de Aprendizaje Profundo | |
dc.title.english | Object Classification Algorithm in Diffractive Imaging based on Coded Quadratic Measurements using a Deep Learning Approach | |
dc.type.coar | http://purl.org/coar/resource_type/c_7a1f | |
dc.type.hasversion | http://purl.org/coar/version/c_b1a7d7d4d402bcce | |
dc.type.local | Tesis/Trabajo de grado - Monografía - Pregrado | |
dspace.entity.type |
Files
Original bundle
1 - 3 of 3
No Thumbnail Available
- Name:
- Carta de autorización.pdf
- Size:
- 640.94 KB
- Format:
- Adobe Portable Document Format
No Thumbnail Available
- Name:
- Nota de proyecto.pdf
- Size:
- 655.09 KB
- Format:
- Adobe Portable Document Format
License bundle
1 - 1 of 1
No Thumbnail Available
- Name:
- license.txt
- Size:
- 2.18 KB
- Format:
- Item-specific license agreed to upon submission
- Description: