Mostrar el registro sencillo del ítem

dc.contributor.authorForero Fuarez, Luis Carlos
dc.contributor.authorRomero Rojas, Carlos Manuel
dc.contributor.authorLlanos Eraso, Oswaldo Esteban
dc.contributor.authorUlloa Lopez, William Ernesto
dc.contributor.authorManrique Avila, Kevin Smith
dc.contributor.authorAhumada Gonzalez, Juan Sebastian
dc.contributor.authorGomez Sandoval, William Fernando
dc.contributor.authorDucuara Alape, Jhon Jairo
dc.contributor.authorDucuara Pedraza, Jeison
dc.contributor.authorGarnica Prieto, Juan David
dc.contributor.authorTrespalacios Tejada, Jorge David
dc.contributor.authorGonzales, Leonargo
dc.contributor.authorHueso Chia, Edwin
dc.contributor.authorAlarcon Flores, Franki Orlando
dc.contributor.authorHermoso Ochoa, Karol Vanesa
dc.contributor.authorHerrera Parra, Jeankosky Yacniel
dc.contributor.authorPerez Tobar, Kevin Nicolas
dc.contributor.authorLaverde Muñoz, Jose Reynel
dc.contributor.authorQuirola Avila, Cesar Hugo
dc.date.accessioned2023-08-18T21:43:58Z
dc.date.available2023-08-18T21:43:58Z
dc.date.issued2023
dc.identifier.urihttps://hdl.handle.net/20.500.14329/608
dc.description.abstractEl 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.extent1 páginaspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherEscuela Tecnológica Instituto Técnico Centralspa
dc.rights.urihttps://creativecommons.org/licenses/by-nc/4.0/spa
dc.titleProcesamiento de imágenesspa
dc.typeInforme de investigaciónspa
dc.rights.licenseAtribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)spa
dc.rights.accessrightsinfo:eu-repo/semantics/closedAccessspa
dc.type.coarhttp://purl.org/coar/resource_type/c_18wsspa
dc.type.driverinfo:eu-repo/semantics/reportspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dc.contributor.researchgroupSemillero THE PSIQUEspa
dc.identifier.instnameEscuela Tecnológica Instituto Técnico Centralspa
dc.identifier.repourlhttps://repositorio.itc.edu.cospa
dc.publisher.placeBogotáspa
dc.relation.referencesGrus, J. (2015). Data Science from Scratch: First Principles with Python.spa
dc.relation.referencesKanungo, 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.1993.378211spa
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/17spa
dc.relation.referencesMartinez-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.2019.2962680spa
dc.relation.referencesRestrepo, 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/BIBTEXspa
dc.relation.referencesRosenblatt, 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/H0042519spa
dc.relation.referencesSotirov, 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.2010.5548361spa
dc.relation.referencesSotirov, 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.2010.5548361spa
dc.relation.referencesLeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436-444.spa
dc.relation.referencesRedmon, 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.referencesKrizhevsky, 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.referencesAggarwal, 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.2022.01.01.013spa
dc.relation.referencesAl-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.2020.3024625spa
dc.subject.unescoInteligencia artificial
dc.subject.unescoAprendizaje
dc.subject.unescoInnovación científica
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aaspa
dc.type.contentTextspa
dc.rights.coarhttp://purl.org/coar/access_right/c_14cbspa


Ficheros en el ítem

Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

https://creativecommons.org/licenses/by-nc/4.0/
Excepto si se señala otra cosa, la licencia del ítem se describe como https://creativecommons.org/licenses/by-nc/4.0/