1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Morelos
4. Centro Nacional de Investigación y Desarrollo Tecnológico
5. Tesis CENIDET
6. Tesis de Maestría
7. Tesis de Maestría en Computación

Título :	"Sintonización de una Red Totalmente Conectada para Segmentación de Dos Clases de Objetos en Imágenes"
Autor :	Suarez Santiago, Diego Gabriel%688344
metadata.dc.subject.other:	Segmentación de imágenes a color, Redes Neuronales Convolucionales, Aprendizaje Profundo, GPU.
Fecha de publicación :	2018-01-19
Editorial :	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Centro Nacional de Investigación y Desarrollo Tecnológico
Descripción :	En esta tesis se realiz´o la sintonizaci´on de una Red Neuronal Convolucional (Convolutional Neural Network, CNN) para poder segmentar dos clases de objetos del repositorio BSDS500 del Grupo de Visi´on por Computadora (Computer Vision Group, CVG) de la Universidad de Berkeley. Las im´agenes que se utilizaron para evaluar este trabajo fueron obtenidas del repositorio mencionado, ya que ´estas presentan condiciones que hacen dif´ıcil realizar este proceso, por ejemplo: la presencia de sombras, texturas y colores similares, iluminación no uniforme, oclusión, entre otras; además, de proporcionar métricas para evaluar la calidad de la segmentación, así como segmentaciones manuales sugeridas por diferentes usuarios. En cuanto a las Redes Neuronales Convolucionales, se utilizaron los modelos FCN-Alexnet y FCN-8s para realizar los experimentos, dando mejores resultados éste último, tanto cualitativa como cuantitativamente, con las métricas: Índice Probabilístico Rand (PRI), Variación de la Información (VI) y Error de Consistencia Global (GCE). Las Redes Neuronales Convolucionales se consideran técnicas de Aprendizaje Profundo (Deep Learning, DL) debido a que cuentan con más de una capa oculta. Estas redes permiten la extracción de características significativas en sus capas de convolución, las cuales son útiles para realizar diversas tareas, y que han demostrado su efectividad en el campo de Visión Artificial (Lee et al., 2009). Estos modelos fueron implementados en una Unidad de Procesamiento Gráfico (Graphics Processing Unit, GPU) NVIDIA, para agilizar el procesamiento de las imágenes, optimizar los recursos disponibles y que fuera factible la realización de múltiples entrenamientos y pruebas con dicho modelo.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Aparece en las colecciones:	Tesis de Maestría en Computación

Este ítem está protegido por copyright original

Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons