1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Estado de México
4. Instituto Tecnológico de Toluca
5. MAESTRÍA EN CIENCIAS DE LA INGENIERÍA
6. MAESTRIA EN CIENCIAS DE LA INGENIERIA

Title:	DETECCIÓN Y REDUCCIÓN DE FALSOS POSITIVOS EN LA CLASIFICACIÓN DE IMÁGENES VIOLENTAS POR MEDIO DE APRENDIZAJE ACTIVO USANDO REDES NEURONALES PROFUNDAS
Authors:	PRIMERO PRIMERO, FRANCISCO
metadata.dc.subject.other:	Detección de violencia, Aprendizaje profundo, DenseNet121, Selección inteligente de muestras, Eficiencia computacional
Issue Date:	2025-01-01
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Instituto Tecnológico de Toluca
Description:	La detección automatizada de violencia física mediante técnicas de aprendizaje profundo constituye un campo de tesis crítico en el contexto actual de sistemas de vigilancia inteligente y análisis de contenido multimedia a gran escala. Esta investigación presenta un método innovador para la optimización del proceso de entrenamiento de redes neuronales convolucionales, específicamente la arquitectura DenseNet121, mediante la implementación de estrategias de selección inteligente de muestras basadas en umbrales de confianza predictiva. La problemática central abordada en esta tesis se fundamenta en la ineficiencia computacional inherente a los enfoques tradicionales de entrenamiento de modelos neuronales, donde todas las muestras del conjunto de datos son tratadas de manera uniforme, sin considerar su contribución específica al proceso de aprendizaje. Esta aproximación homogénea resulta en un uso subóptimo de recursos computacionales, particularmente crítico en aplicaciones de seguridad que requieren procesamiento en tiempo real con restricciones de hardware. El método propuesto introduce un paradigma de segmentación inteligente que clasifica las muestras de entrenamiento en tres categorías especializadas según sus niveles de confianza predictiva: Safe (alta confianza, outN ≥ 0.9±σ o outN ≤ 0.1±σ), Average (confianza moderada, 0.4−σ ≤ outN ≤ 0.6+σ), y Border (baja confianza, 0.5−σ ≤ outN ≤ 0.5+σ). Esta clasificación permite el desarrollo de estrategias de entrenamiento diferenciadas que optimizan la eficiencia computacional mientras mantienen o mejoran el rendimiento clasificatorio. Los resultados experimentales obtenidos mediante evaluación en tres conjuntos de datos independientes (AIRTLab, RVLS/Pexels, y SCVD) con un total de 11,600 imágenes, demuestran la efectividad del enfoque propuesto. El subconjunto Average logra un rendimiento superior con F1-Score = 0.89 y g-mean = 0.93, utilizando únicamente el 20% de las muestras totales, representando una reducción significativa en requisitos computacionales. El subconjunto Safe alcanza una exactitud excepcional de 0.98 con una reducción del 12% en el tamaño del conjunto de datos, mientras que Border mantiene competitividad (F1-Score = 0.82, g-mean = 0.86) con una reducción del 97% en las muestras utilizadas. Las contribuciones científicas de esta investigación incluyen: Primero la selección de muestras basada en confianza predictiva en el contexto de detección de violencia, después evaluación empírica de estrategias de entrenamiento especializado según niveles de complejidad clasificatoria, para demostración de que la selección estratégica de datos puede superar enfoques basados en volumen, y establecimiento de métricas de intercambio entre precisión y eficiencia computacional para aplicaciones de seguridad crítica.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	MAESTRIA EN CIENCIAS DE LA INGENIERIA

This item is protected by original copyright View License

This item is licensed under a Creative Commons License