Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

Utilize este identificador para referenciar este registo: https://rinacional.tecnm.mx/jspui/handle/TecNM/5849
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.
Data: 2018-01-19
Editora: Tecnológico Nacional de México
metadata.dc.publisher.tecnm: Centro Nacional de Investigación y Desarrollo Tecnológico
Descrição: 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 nas colecções:Tesis de Maestría en Computación

Ficheiros deste registo:
Ficheiro Descrição TamanhoFormato 
MC_Diego_Gabriel_Suarez_Santiago_2018.pdfTesis64.63 MBAdobe PDFVer/Abrir
MC_Diego_Gabriel_Suarez_Santiago_2018-c.pdf
  Restricted Access
Cesión de Derechos135.01 kBAdobe PDFVer/Abrir Request a copy


Este registo está protegido por copyright original.



Este registo está protegido por Licença Creative Commons Creative Commons