Ver Estadísticas

Tesis Validadas: 2,591

Tesis de Posgrado: 2650

Número de Visitas: contador visitas

  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

Veuillez utiliser cette adresse pour citer ce document : https://rinacional.tecnm.mx/jspui/handle/TecNM/5849
Affichage complet
Élément Dublin CoreValeurLangue
dc.contributor.authorSuarez Santiago, Diego Gabriel%688344-
dc.creatorSuarez Santiago, Diego Gabriel%688344-
dc.date.accessioned2023-06-26T17:22:50Z-
dc.date.available2023-06-26T17:22:50Z-
dc.date.issued2018-01-19-
dc.identifier.urihttps://rinacional.tecnm.mx/jspui/handle/TecNM/5849-
dc.descriptionEn 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.es_MX
dc.language.isospaes_MX
dc.publisherTecnológico Nacional de Méxicoes_MX
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0es_MX
dc.subjectinfo:eu-repo/classification/cti/7es_MX
dc.subject.otherSegmentación de imágenes a color, Redes Neuronales Convolucionales, Aprendizaje Profundo, GPU.es_MX
dc.title"Sintonización de una Red Totalmente Conectada para Segmentación de Dos Clases de Objetos en Imágenes"es_MX
dc.typeinfo:eu-repo/semantics/masterThesises_MX
dc.contributor.directorMujica Vargas, Dante%229106-
dc.contributor.directorMejia Lavalle, Manuel%55801-
dc.folio1107es_MX
dc.rights.accessinfo:eu-repo/semantics/openAccesses_MX
dc.publisher.tecnmCentro Nacional de Investigación y Desarrollo Tecnológicoes_MX
Collection(s) :Tesis de Maestría en Computación

Fichier(s) constituant ce document :
Fichier Description TailleFormat 
MC_Diego_Gabriel_Suarez_Santiago_2018.pdfTesis64.63 MBAdobe PDFVoir/Ouvrir
MC_Diego_Gabriel_Suarez_Santiago_2018-c.pdf
  Accès limité		Cesión de Derechos135.01 kBAdobe PDFVoir/Ouvrir    Demander une copie


Ce document est protégé par copyright

Affichage abbrégé


Ce document est autorisé sous une licence de type Licence Creative Commons Creative Commons