Desarrollo de una red neuronal convolucional para reconocer patrones en imágenes

Contenido principal de artículos

Adriana Cifuentes
Estefania Mendoza
Miguel Lizcano
Andrés Santrich
Silvia Moreno-Trillos

Palabras clave

Aprendizaje Profundo, Clasificaciones de Imágenes, Inteligencia Artificial, Redes Neuronales Convolucionales (CNN, Convolutional Neural Networks), Reconocimiento de Patrones, Visión Artificial

Resumen

Este proyecto es sobre el reconocimiento por patrones de una imagen que se inicia con la implementación de redes neuronales convolucionales (CNN), con el objetivo de diferenciar entre imágenes de diferentes animales, utilizando un software de aprendizaje profundo (Deep Learning) con el fin de que el modelo pueda clasificar nuevas imágenes. El entrenamiento de la red será aplicarle diferentes condiciones como la resolución, iluminación, ente otros; permitiendo el mínimo error de clasificación en la CCN y posteriormente poder aplicarlo para analizar datos volumétricos en 3D.

Abstract 8 | PDF Downloads 4

Referencias

1. N. Nagel, “Visión Computacional,” 2017. [Online]. Available: https://blogmexico.comstor.com/que-es-la-vision-computacional. [Accessed: 01-Mar-2019].

2. A.L. Loyo P., “Visión Computacional.” [Online]. Available: http://www.ana2lp.mx/inteligencia-artificial/vision-computacional-donde-comenzar/. [Accessed: 01-Mar-2019].

3. Palmar Pol and J. . Montaño Moreno, “Redes Neuronales Artificiales.” [Online]. Available: http://disi.unal.edu.co/~lctorress/RedNeu/LiRna001.pdf. [Accessed: 01-Mar-2019].

4. F. Vázquez, “Deep learning,” 2018. [Online]. Available: https://planetachatbot.com/deep-learning-fácil-con-deepcognition-9af43b2319ba. [Accessed: 01-Mar-2019].

5. E. Blanco and F. Ramírez, “Introducción a TersorFlow,” 2018. [Online]. Available: https://data-speaks.luca-d3.com/2018/05/deep-learning-con-python-introduccion.html. [Accessed: 01-Mar-2019].

6. Ó. Picazo Montoya, “Redes Neuronales Convolucionales Profundas Para El Reconocimiento De Emociones En Imágenes,” Universidad Politécnica de Madrid, 2018.

7. J. A. Luna González, S. Paris, M. NakanoMiyatake, and D. Robles Camarillo, “Redes Neuronales Convoluciones,” 2016. [Online]. Available: https://www.researchgate.net/publication/309455781_Comparacion_de_Arquitecturas_de_Redes_Neuronales_Convolucionales_para_la_Clasificacion_de_Imagenes_de_Ojos. [Accessed: 01-Mar-2019].

8. J. A. Pérez Carrasco, M. del C. Serrano Gotarredona, B. Acha Piñero, M. T. Serrano Gotarredona, and B. Linares Barranco, “Red neuronal convolucional rápida sin fotograma para el reconocimeinto de dígitos,” XXVI Simposio de la URSI, no. 1, pp. 1–4, Sep-2011.

9. “CoreML official website developed by Apple.” [Online]. Available: https://developer.apple.com/machine-learning/. [Accessed: 18-Mar-2019].

10. “Machine learning for mobile developers by Google.” [Online]. Available: https://developers.google.com/ml-kit/. [Accessed: 18-Mar-2019].

11. A. Espinosa Ruiz, “Clasificación de especies de flores usando técnicas de deep learning,” Barcelona, pp. 1–10, Jul-2018.

12. A. Reátequi Pezo and M. A. Velasco Meléndez, “Aplicación informática para reconocimiento especie camu camu (Myrciaria Dubai) a través de redes neuronales convolucionales, en Iguitos Perú, durante el año 2017,” Universidad Nacional de la Amazonía Peruana, 2018.

13. A. Quintero, F. Merchán, A. Cornejo, and J. S. Galán, “Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo,” KnE Eng., vol. 3, no. 1, p. 585, 2018.

14. S. Yoe and L. Jianlong, “Study on Echo features and Classification Methods of Fish Species.” Institute of Electrical and Electronics Engineers Inc., 2018.

15. S. Schneider, G. W. Taylor, and S. Kremer, “Deep Learning object detection methods for ecological camera trap date.” Institute of Electrical and Electronics Engineers Inc., pp. 321–328, 2018.

16. H. Shaukat, K. She, T. Zou, Y. Yue, T. Tianyi, and D. Yantong, “A Deep Learning Framework Using Convolutional Neural Network for Multi-Class Object Recognition.” Institute of Electrical and Electronics Engineers Inc., Chongqing, pp. 194–198, 2018.

17. J. Utrera Burgal, “Deep Learning básico con Keras (Parte 3): VGG,” 2018. [Online]. Available: https://enmilocalfunciona.io/deep-learning-basico-con-keras-parte-3-vgg/. [Accessed: 15-Oct-2019].

18. “Matriz de confusión.” [Online]. Available: https://es.wikipedia.org/wiki/Matriz_de_confusión.

19. A. Jiménez Coronado, "Estrategia de competitividad y emprendimiento, una revisión de la literatura", Investigacion e Innovación en Ingenierias, vol. 4, no. 2, p. 104, 2016. DOI: https://doi.org/10.17081/invinno.4.2.2492

20. C. Villamizar, A. Orjuela and M. Adarme, "Análisis Forense En Un Sistema De Información En El Marco Normativo Colombiano",Investigación e Innovación en Ingenierías, vol. 3, no. 1, 2015. DOI: https://doi.org/10.17081/invinno.3.1.2036

21. A. Viloria and W. Quintero, "Gestión de información sat río Manzanares", Investigación e Innovación en Ingenierías, vol. 4, no. 2, p. 128, 2016. DOI: https://doi.org/10.17081/invinno.4.2.2493

22. C.A. Gutiérrez, R. Almeida., y W. Romero, “Diseño de un modelo de migración a cloud computing para entidades públicas de salud”, Investigación e Innovación en Ingenierías, vol. 6, n°. 1, pp. 10 - 26., 2018. DOI: https://doi.org/10.17081/invinno.6.1.2772

23. A. Contreras, “Gestión de la motivación en escenarios organizacionales” Investigación e Innovación en Ingenierías, vol. 6, n°. 1, pp. 84 - 92., 2018. DOI: https://doi.org/10.17081/invinno.6.1.2777

24. J. Guillot and A. Viloria, "Estudio Sobre el Abastecimiento Constante de Energía Eólica", Investigacion e Innovación en Ingenierias, vol. 3, no. 2, 2015. DOI: https://doi.org/10.17081/invinno.3.2.2028

25. P. Sanchez y J. Garcia, «A New Methodology for Neural Network Training Ensures Error Reduction in Time Series Forecasting,» Journal of Computer Sciences, vol. 13, nº 7, pp. 211-217, 2017.

26. J. Garcia y P. Sanchez, «Autoregressive Moving Average Recurrent Neural Networks Applied to the Modelling of Colombian Exchange Rate,» International Journal Of Artificial Intelligence, vol. 16, nº 2, pp. 194-207, 2018.

27. A.Cruzado, R. Bruges, J. Dávila, Y. Mendoza., y P. Sánchez Sánchez, "Objeto virtual de aprendizaje para el estudio de algoritmos de búsquedas de agentes", Investigación y Desarrollo en TIC, vol. 6, n°.1., 2015.