Algoritmo de clasificación de objetos en imágenes difractivas basado en medidas cuadráticas codificadas usando un enfoque de Aprendizaje Profundo

Morales Norato, David Santiago

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