Deep learning para visión por computadora
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de reconocimiento de patrones en imágenes, video y, utilizando técnicas de Aprendizaje Automático clásicas, y Aprendizaje profundo con Redes Neuronales Convolucionales, Recurrent...
Guardado en:
| Autores principales: | , , , |
|---|---|
| Formato: | Objeto de conferencia |
| Lenguaje: | Español |
| Publicado: |
2023
|
| Materias: | |
| Acceso en línea: | http://sedici.unlp.edu.ar/handle/10915/163242 |
| Aporte de: |
| id |
I19-R120-10915-163242 |
|---|---|
| record_format |
dspace |
| spelling |
I19-R120-10915-1632422024-03-14T16:31:20Z http://sedici.unlp.edu.ar/handle/10915/163242 Deep learning para visión por computadora Ronchetti, Franco Quiroga, Facundo Manuel Ríos, Gastón Gustavo Dal Bianco, Pedro Alejandro 2023-04 2023 2024-02-28T17:21:05Z es Ciencias Informáticas Redes neuronales Redes convolucionales Redes recurrentes Visión por computadoras Lengua de Ssñas Bases de datos Crowdsourcing Redes generativas adversarias Invarianza Equivarianza Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de reconocimiento de patrones en imágenes, video y, utilizando técnicas de Aprendizaje Automático clásicas, y Aprendizaje profundo con Redes Neuronales Convolucionales, Recurrentes y Transformers. El trabajo presentado describe diferentes estrategias inteligentes para la traducción automática de la lengua de señas, particularmente enfocado en la Lengua de Señas Argentina (LSA), junto con herramientas para su aprendizaje e interpretación de resultados. Este es un problema complejo y multidisciplinar, que presenta diversos subproblemas a resolver como el reconocimiento del intérprete que realiza una seña, la segmentación de manos, la clasificación de diferentes configuraciones y de un gesto dinámico, entre otros. Por otro lado, la creación de un conjunto de datos apropiado para la LSA resulta esencial para la creación de modelos específicos. Uno de los subproblemas atacados en este artículo es la creación de un conjunto de datos apropiado. Por otro lado, se está estudiando la forma de reconocer formas de mano de la Lengua de Señas con conjuntos de datos de tamaño reducido, dada la falta de datos de entrenamiento para este dominio. Por último, se están utilizando Redes Generativas Adversarias (GANs) para aumentar bases de datos de formas de mano, con el objetivo de complementar desde otro enfoque el entrenamiento de modelos para su clasificación. En otra línea de investigación, se está estudiando la forma en que las redes neuronales codifican la invarianza a las transformaciones y otras propiedades transformacionales, con el objetivo de poder analizar y comparar estos modelos. De esta forma se espera poder mejorar los modelos de clasificación de objetos transformados, en particular, de formas de mano. En el mismo sentido, se están estudiando técnicas de interpretabilidad de los modelos. Red de Universidades con Carreras en Informática Instituto de Investigación en Informática Objeto de conferencia Objeto de conferencia http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) application/pdf |
| institution |
Universidad Nacional de La Plata |
| institution_str |
I-19 |
| repository_str |
R-120 |
| collection |
SEDICI (UNLP) |
| language |
Español |
| topic |
Ciencias Informáticas Redes neuronales Redes convolucionales Redes recurrentes Visión por computadoras Lengua de Ssñas Bases de datos Crowdsourcing Redes generativas adversarias Invarianza Equivarianza |
| spellingShingle |
Ciencias Informáticas Redes neuronales Redes convolucionales Redes recurrentes Visión por computadoras Lengua de Ssñas Bases de datos Crowdsourcing Redes generativas adversarias Invarianza Equivarianza Ronchetti, Franco Quiroga, Facundo Manuel Ríos, Gastón Gustavo Dal Bianco, Pedro Alejandro Deep learning para visión por computadora |
| topic_facet |
Ciencias Informáticas Redes neuronales Redes convolucionales Redes recurrentes Visión por computadoras Lengua de Ssñas Bases de datos Crowdsourcing Redes generativas adversarias Invarianza Equivarianza |
| description |
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de reconocimiento de patrones en imágenes, video y, utilizando técnicas de Aprendizaje Automático clásicas, y Aprendizaje profundo con Redes Neuronales Convolucionales, Recurrentes y Transformers. El trabajo presentado describe diferentes estrategias inteligentes para la traducción automática de la lengua de señas, particularmente enfocado en la Lengua de Señas Argentina (LSA), junto con herramientas para su aprendizaje e interpretación de resultados.
Este es un problema complejo y multidisciplinar, que presenta diversos subproblemas a resolver como el reconocimiento del intérprete que realiza una seña, la segmentación de manos, la clasificación de diferentes configuraciones y de un gesto dinámico, entre otros.
Por otro lado, la creación de un conjunto de datos apropiado para la LSA resulta esencial para la creación de modelos específicos. Uno de los subproblemas atacados en este artículo es la creación de un conjunto de datos apropiado.
Por otro lado, se está estudiando la forma de reconocer formas de mano de la Lengua de Señas con conjuntos de datos de tamaño reducido, dada la falta de datos de entrenamiento para este dominio.
Por último, se están utilizando Redes Generativas Adversarias (GANs) para aumentar bases de datos de formas de mano, con el objetivo de complementar desde otro enfoque el entrenamiento de modelos para su clasificación.
En otra línea de investigación, se está estudiando la forma en que las redes neuronales codifican la invarianza a las transformaciones y otras propiedades transformacionales, con el objetivo de poder analizar y comparar estos modelos. De esta forma se espera poder mejorar los modelos de clasificación de objetos transformados, en particular, de formas de mano. En el mismo sentido, se están estudiando técnicas de interpretabilidad de los modelos. |
| format |
Objeto de conferencia Objeto de conferencia |
| author |
Ronchetti, Franco Quiroga, Facundo Manuel Ríos, Gastón Gustavo Dal Bianco, Pedro Alejandro |
| author_facet |
Ronchetti, Franco Quiroga, Facundo Manuel Ríos, Gastón Gustavo Dal Bianco, Pedro Alejandro |
| author_sort |
Ronchetti, Franco |
| title |
Deep learning para visión por computadora |
| title_short |
Deep learning para visión por computadora |
| title_full |
Deep learning para visión por computadora |
| title_fullStr |
Deep learning para visión por computadora |
| title_full_unstemmed |
Deep learning para visión por computadora |
| title_sort |
deep learning para visión por computadora |
| publishDate |
2023 |
| url |
http://sedici.unlp.edu.ar/handle/10915/163242 |
| work_keys_str_mv |
AT ronchettifranco deeplearningparavisionporcomputadora AT quirogafacundomanuel deeplearningparavisionporcomputadora AT riosgastongustavo deeplearningparavisionporcomputadora AT dalbiancopedroalejandro deeplearningparavisionporcomputadora |
| _version_ |
1807222545424842752 |