dc.contributor.author | Forero Fuarez, Luis Carlos | |
dc.contributor.author | Romero Rojas, Carlos Manuel | |
dc.contributor.author | Llanos Eraso, Oswaldo Esteban | |
dc.contributor.author | Ulloa Lopez, William Ernesto | |
dc.contributor.author | Manrique Avila, Kevin Smith | |
dc.contributor.author | Ahumada Gonzalez, Juan Sebastian | |
dc.contributor.author | Gomez Sandoval, William Fernando | |
dc.contributor.author | Ducuara Alape, Jhon Jairo | |
dc.contributor.author | Ducuara Pedraza, Jeison | |
dc.contributor.author | Garnica Prieto, Juan David | |
dc.contributor.author | Trespalacios Tejada, Jorge David | |
dc.contributor.author | Gonzales, Leonargo | |
dc.contributor.author | Hueso Chia, Edwin | |
dc.contributor.author | Alarcon Flores, Franki Orlando | |
dc.contributor.author | Hermoso Ochoa, Karol Vanesa | |
dc.contributor.author | Herrera Parra, Jeankosky Yacniel | |
dc.contributor.author | Perez Tobar, Kevin Nicolas | |
dc.contributor.author | Laverde Muñoz, Jose Reynel | |
dc.contributor.author | Quirola Avila, Cesar Hugo | |
dc.date.accessioned | 2023-08-18T21:43:58Z | |
dc.date.available | 2023-08-18T21:43:58Z | |
dc.date.issued | 2023 | |
dc.identifier.uri | https://hdl.handle.net/20.500.14329/608 | |
dc.description.abstract | El semillero tiene como uno de sus objetivos, la enseñanza y la aplicación de técnicas y
herramientas de inteligencia artificial en áreas de la ingeniería electromecánica y afines. Para
ello se seguirá un proceso que requerirá en sus primeras etapas la recopilación de la
información, su limpieza, transformación y análisis, persiguiendo mediante el aprendizaje
continuo de los estudiantes y su desarrollo en posteriores etapas, la implementación de
modelos y/o arquitecturas que permitan desarrollar un modelo de IA basado en técnicas de
visión por computadora y aprendizaje automático para reconocer las placas de los vehículos
que ingresan a la ETITC en tiempo real y/o aplicaciones en general, como procesos de
regresión, clasificación, segmentación, etc.
Considerando que a futuro se planteará el trabajar con imágenes, se sabe que este campo
presenta gran auge en distintos campos, pues como lo menciona LeCun et al. 2015, el uso de
redes convolucionales ha ampliado la capacidad para extraer características relevantes de las
imágenes, lo que es fundamental para el reconocimiento de placas de vehículos.
Adicionalmente, se han desarrollado métodos como el introducido por Redmon J et al.
(2016), el cual es conocido actualmente como YOLO "You Only Look Once" que mediante
redes convolucionales facilita el reconocimiento de objetos. Adicionalmente se tiene el
ejemplo de Krizhevsky, A (2012), quien mediante el modelo AlexNet, presentó gran eficacia
en tareas de reconocimiento de imágenes. | spa |
dc.format.extent | 1 página | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Escuela Tecnológica Instituto Técnico Central | spa |
dc.rights.uri | https://creativecommons.org/licenses/by-nc/4.0/ | spa |
dc.title | Procesamiento de imágenes | spa |
dc.type | Informe de investigación | spa |
dc.rights.license | Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) | spa |
dc.rights.accessrights | info:eu-repo/semantics/closedAccess | spa |
dc.type.coar | http://purl.org/coar/resource_type/c_18ws | spa |
dc.type.driver | info:eu-repo/semantics/report | spa |
dc.type.version | info:eu-repo/semantics/acceptedVersion | spa |
dc.contributor.researchgroup | Semillero THE PSIQUE | spa |
dc.identifier.instname | Escuela Tecnológica Instituto Técnico Central | spa |
dc.identifier.repourl | https://repositorio.itc.edu.co | spa |
dc.publisher.place | Bogotá | spa |
dc.relation.references | Grus, J. (2015). Data Science from Scratch: First Principles with Python. | spa |
dc.relation.references | Kanungo, T., Jaisimha, M. Y., Palmer, J., & Haralick, R. M. (1993). A quantitative methodology for analyzing the performance of detection algorithms. 1993 IEEE 4th International Conference on Computer Vision, 247–252.
https://doi.org/10.1109/ICCV.1993.378211 | spa |
dc.relation.references | . Markowska-Kaczmar, U., & Koldowski, M. (2015). Spiking neural network vs multilayer perceptron: who is the winner in the racing car computer game. Soft Computing, 19(12), 3465–3478. https://doi.org/10.1007/S00500-
014-1515-2/FIGURES/17 | spa |
dc.relation.references | Martinez-Plumed, F., Contreras-Ochando, L., Ferri, C., Hernandez-Orallo, J., Kull, M., Lachiche, N., Ramirez-Quintana, M. J., & Flach, P. (2021). CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science
Trajectories. IEEE Transactions on Knowledge and Data Engineering, 33(8), 3048–3061. https://doi.org/10.1109/TKDE.2019.2962680 | spa |
dc.relation.references | Restrepo, D. S., Pérez, L. E., López, D. M., Vargas-Cañas, R., & Osorio-Valencia, J. S. (2022). Multi-Dimensional Dataset of Open Data and Satellite Images for Characterization of Food Security and Nutrition. Frontiers in
Nutrition, 8, 796082. https://doi.org/10.3389/FNUT.2021.796082/BIBTEX | spa |
dc.relation.references | Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386–408. https://doi.org/10.1037/H0042519 | spa |
dc.relation.references | Sotirov, S., Atanassov, K., & Krawczak, M. (2010). Generalized net model for parallel optimization of multilayer perceptron with momentum backpropagation algorithm. 2010 IEEE International Conference on Intelligent
Systems, IS 2010 - Proceedings, 281–285. https://doi.org/10.1109/IS.2010.5548361 | spa |
dc.relation.references | Sotirov, S., Atanassov, K., & Krawczak, M. (2010). Generalized net model for parallel optimization of multilayer perceptron with momentum backpropagation algorithm. 2010 IEEE International Conference on Intelligent
Systems, IS 2010 - Proceedings, 281–285. https://doi.org/10.1109/IS.2010.5548361 | spa |
dc.relation.references | LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444. | spa |
dc.relation.references | Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR) (pp. 779-788) | spa |
dc.relation.references | Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems (pp. 1097-1105). | spa |
dc.relation.references | Aggarwal, K., Mijwil, M. M., Sonia, Al-Mistarehi, A. H., Alomari, S., Gök, M., Zein Alaabdin, A. M., & Abdulrhman, S. H. (2022). Has the Future Started? The Current Growth of Artificial Intelligence, Machine Learning, and
Deep Learning. Iraqi Journal for Computer Science and Mathematics, 3(1), 115–123. https://doi.org/10.52866/IJCSM.2022.01.01.013 | spa |
dc.relation.references | Al-Shemarry, M. S., & Li, Y. (2020). Developing Learning-Based Preprocessing Methods for Detecting Complicated Vehicle Licence Plates. IEEE Access, 8, 170951–170966. https://doi.org/10.1109/ACCESS.2020.3024625 | spa |
dc.subject.unesco | Inteligencia artificial | |
dc.subject.unesco | Aprendizaje | |
dc.subject.unesco | Innovación científica | |
dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa | spa |
dc.type.content | Text | spa |
dc.rights.coar | http://purl.org/coar/access_right/c_14cb | spa |