Estudio de la mejora del aprendizaje de Redes Neuronales mediante el uso de Redes Generativas Antagónicas
[ES] La Inteligencia Artificial y el Machine Learning (aprendizaje automático) han sido unas de las tecnologías recientes que más se han desarrollado en los últimos años, hasta llegar al punto, de ser muchas veces incorporadas en los nuevos entornos industriales, proporcionando gran variedad de apli...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2020 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | español |
| OAI Identifier: | oai:riunet.upv.es:10251/159166 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/159166 |
| Access Level: | acceso abierto |
| Palabra clave: | Adquisición de imágenes Redes generativas antagónicas Sistemas embebidos Visión artificial Redes neuronales Generative Adversarial Networks (GAN) Neural networks Artificial vision Embedded systems INGENIERIA DE SISTEMAS Y AUTOMATICA ARQUITECTURA Y TECNOLOGIA DE COMPUTADORES Máster Universitario en Automática e Informática Industrial-Màster Universitari en Automàtica i Informàtica Industrial |
| Sumario: | [ES] La Inteligencia Artificial y el Machine Learning (aprendizaje automático) han sido unas de las tecnologías recientes que más se han desarrollado en los últimos años, hasta llegar al punto, de ser muchas veces incorporadas en los nuevos entornos industriales, proporcionando gran variedad de aplicaciones y herramientas para mejorar la productividad y eficiencia de las industrias. Este trabajo fin de máster, se basa en el estudio y desarrollo de un tipo de redes neuronales, las redes generativas antagónicas (o redes GAN), para aplicarlas en el entrenamiento de otra red neuronal. Estas redes son capaces de generar imágenes falsas, pero suficientemente plausibles, como para engañar incluso al ojo humano. Con ello lo que se pretende es generar un banco de imágenes lo suficientemente grande como para que, al entrenar la red ya desarrollada, se mejoren los resultados de precisión de la misma para clasificar imágenes (en este caso de productos alimentarios como son las golosinas). Para ello, se realizará un recorrido sobre el estado actual de la Inteligencia Artificial, diferenciando conceptos como Machine Learning o Deep Learning, viendo que son las redes neuronales y cómo se construyen, analizando lo que son las redes convolucionales utilizadas en este trabajo y por último viendo en detalle en qué se basa una red GAN y cuáles son las herramientas para desarrollar todas estas redes. Con esos conocimientos se pasa a obtener ejemplos de redes GAN de Internet con pruebas de éxito en sus respectivos campos, una con imágenes de dígitos manuscritos y otra con pequeñas imágenes a color. Estas redes se analizarán y se podrán comprobar sus resultados después de entrenarlas, para después modificarlas al caso de estudio de este trabajo. Con estas adaptaciones se podrán generar imágenes falsas con cada red y ver que red es capaz de generar las imágenes más plausibles, que serán utilizadas para el entrenamiento de la red desarrollada en el trabajo fin de grado en el que se basa este estudio. |
|---|