Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Márquez Castellanos, Miguel ÁngelArgüello Fuentes, HenryCórdoba Carrero, Junior Alejandro2022-04-202022-04-202022-03-302022-03-30https://noesis.uis.edu.co/handle/20.500.14071/10052La clasificación se ha convertido en una herramienta indispensable en áreas comerciales como de la investigación al ser usada en el reconocimiento de objetivos y la interpretación de imágenes, más aún al usar información espectral, porque el comportamiento de la reflectancia a diferentes frecuencias electromagnéticas es característico de cada material, siendo posible identificarlos y analizarlos usando procesamiento de imágenes. Las SI son capturadas mediante sistemas ópticos, estos permiten obtener imágenes espectrales con una alta resolución espectral, pero su uso se ve limitado a escenarios donde los objetos poseen poco o nulo movimiento y su adquisición requiere altas capacidades de almacenamiento y de transmisión de datos. Para solucionar estos problemas, surge el muestreo compresivo espectral, que establece que es posible estimar la información espectral de una escena a partir de menos proyecciones que las requeridas por los sistemas ópticos tradicionales. A pesar de que estas técnicas permiten solucionar problemas de almacenamiento, transferencia de información, altos tiempos de adquisición, entre otros, tienen como desventaja la degradación de la información espacial. Para mejorar la calidad de reconstrucción y de clasificación se usan algunos métodos tradicionales para la dquisición de multiples imágenes como son el barrido por fila espectral, pixel por pixel y por banda espectral, se han modificado los sistemas ópticos a su vez de desarrollar e implementar aplicaciones y algoritmos basados en técnicas de DL con pocas proyecciones. En este trabajo se propone el estudio de un sistema compresivo óptico computacional que permite mejorar las tareas de clasificación a partir de una única medida comprimida la cual se obtiene mediante un arreglo de lentes y de una red neuronal basada en aprendizaje profundo.application/pdfspainfo:eu-repo/semantics/openAccessClasificaciónRedes Neuronales ConvolucionalesProcesamiento de imagenAprendizaje ProfundoUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coClassificationConvolutional Neural NetworksImage ProcessingDeep Learninghttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)