Publication:
Redes neuronales convolucionales y aplicaciones

Thumbnail Image
Files
natalia-casado-redes-neuronales-tfg.pdf (2.2 MB)
YDRAY-PPTX_TFG.mp4 (149.67 MB)
Official URL
Full text at PDC
Publication Date
2022-07
Authors
Advisors (or tutors)
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
Citations
Google Scholar
Exportar
DC QDC MarcXML RDF MODS METS ORE-ATOM
Research Projects
Organizational Units
Journal Issue
Abstract
Las redes neuronales artificiales (RNA) surgen en los años 40 con la intención de simular el funcionamiento de las neuronas del cerebro humano. Entre los modelos implementados en esa época destaca el Perceptrón, conocido como la unidad básica de las redes neuronales. A este primer periodo, le sigue otro de frustración y desprestigio debido al limitado soporte económico y computacional de la época. Pese a ello, algunos investigadores siguieron trabajando y se desarrolló el método de aprendizaje conocido como Backpropagation, actualmente el más utilizado en arquitecturas multicapa. A raíz de este y otros métodos, a principios de la década de 1980 se produjo un importante resurgimiento del interés en el campo de las redes neuronales. Se introduce el Neocognitrón, una red neuronal artificial jerárquica utilizada para el reconocimiento de caracteres manuscritos japoneses y otras tareas de reconocimiento de patrones. Es el origen de la arquitectura de las redes neuronales convolucionales (CNN). Estas redes tienen aplicaciones en el reconocimiento de vídeos, los sistemas de recomendación, la clasificación y segmentación de imágenes, el análisis de imágenes médicas, el procesamiento del lenguaje natural, y las series temporales financieras.
Artificial neural networks (ANN) emerged in the 1940s with the intention of simulating the functioning of neurons in the human brain. Among the models implemented at that time, the Perceptron, known as the basic unit of neural networks, stands out. This first period was followed by one of frustration and discredit due to the limited economic and computational support of the time. Despite this, some researchers continued working and developed the learning method known as Backpropagation, currently the most widely used in multilayer architectures. As a result of this and other methods, in the early 1980s there was a major resurgence of interest in the field of neural networks. Neocognitrón, a hierarchical artificial neural network used for Japanese handwritten character recognition, is introduced. It is the origin of the convolutional neural network architecture (CNN). These networks have applications in video recognition, recommender systems, image classification and segmentation, medical image analysis, natural language processing, and financial time series.
Description
UCM subjects
Matemáticas (Matemáticas) , Análisis matemático
Unesco subjects
12 Matemáticas , 1202 Análisis y Análisis Funcional
Keywords
Citation
[1] Bravo, E. F. C., & Sotelo, J. A. L. (2009). Una aproximación práctica a las redes neuronales artificiales. Alianza Editorial. [2] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. RC Libros. [3] Glejzer, C., Cicarrelli, A., Maldonado, A., Chomnalez, M., Bulit, F., & Facchinetti, C. (2012). Las bases biológicas del aprendizaje. Editorial de la Facultad de Filosofía y Letras UBA. Página 294. [4] Mcculloch, W., & Pitts, W. (1943). A logical calculus of the ideas immanent in nervous activity. https://bit.ly/3dBVkMQ [5] Ramírez, F. (2018). Historia de la IA: Frank Rosenblatt y el Mark I Perceptrón, el primer ordenador fabricado específicamente para crear redes neuronales en 1957. LUCA https://bit.ly/3IHiK1Y [6] Adaline Entrenamiento Supervisado. (2011). Redes de Neuronas Artificiales. https://bit.ly/3lOF9Am [7] Varona Martínez, P. (1997). Memoria de Tesis Doctoral .Introducción. Universidad Autónoma de Madrid. Escuela Técnica Superior de Informática. [8] Backpropagation through time: what it does and how to do it. (1990, 1 octubre). IEEE Journals & Magazine | IEEE Xplore. https://bit.ly/31Dmeli [9] Fukushima, K. (2007, 19 enero). Neocognitron. Scholarpedia. http://scholarpedia.org/article/Neocognitron [10] Hochreiter, S. (1997, December). LONG SHORT-TERM MEMORY. ResearchGate. https://bit.ly/3rRl3cC [11] Codificando Bits. (2019, 30 marzo). La Convolución en las Redes Convolucionales [Vídeo]. YouTube. https://bit.ly/3rVvnjI [12] Cross-Correlation. Wolfram MathWorld. 2021, https://mathworld.wolfram.com/CrossCorrelation.html [13] HUBEL, D. H., & WIESEL, T. N. (1959, abril). RECEPTIVE FIELDS OF SINGLE NEURONES IN THE CAT’S STRIATE CORTEX. https://bit.ly/3y7LNXw [14] Boureau, Y., Ponce, J., & LeCun, Y. (2014). A Theoretical Analysis of Feature Pooling in Visual Recognition. ResearchGate. https://bit.ly/3y6UeCp [15] Ringach, D., & Shapley, R. (2003, 11 noviembre). Reverse correlation in neurophysiology. ResearchGate. https://bit.ly/3GA4ypc [16] Niell, C. M. (2008, 23 julio). Highly Selective Receptive Fields in Mouse Visual Cortex. Journal of Neuroscience. https://www.jneurosci.org/content/28/30/7520.long [17] Zoumpourlis, G., Doumanoglou, A., Vretos, N., & Daras, P. (2017). Non-linear Convolution Filters for CNN-based Learning. Cornell University. https://arxiv.org/pdf/1708.07038.pdf [18] Kumar, R., Banerjee, A., & Vemuri, B. C. (2009, 1 junio). Volterrafaces: Discriminant analysis using Volterra kernels. IEEE Conference Publication | IEEE Xplore. https://bit.ly/3LvPo7Q [19] Pajares Martinsanz, G. (2017). Análisis y reconocimiento de voz. RC Libros. [20] Qian, N. (1998, 6 agosto). On the momentum term in gradient descent learning algorithms. Columbia University. https://bit.ly/3LR1CbB [21] DAUGMAN, J. G. (1988, julio). Complete Discrete 2-D Gabor Transforms by Neural Networks for Image Analysis and Compression. IEEE TRANSACTIONS ON ACOUSTICS. https://bit.ly/3HbiAOk [22] Kiranyaz, S., Ince, T., & Gabbouj, M. (2016, marzo). Real-Time Patient-Specific ECG Classification by 1-D Convolutional Neural Networks. Scopus.com. https://bit.ly/3zWlLt5 [23] Kiranyaz, S., Ince, T., Losifidis, A., & Gabbouj, M. (2020, 6 marzo). Operational neural networks. SpringerLink. https://bit.ly/3MY0cfS [24] Manilo, L. A., & Nemirko, A. P. (2016). Recognition of biomedical signals based on their spectral description data analysis (Vol. 26). Pattern Recognition and Image Analysis. [25] Valdez, A. (2018, 7 marzo). El Neocognitrón. ACADEMIA. https://www.academia.edu/36104965/El_Neocognitr%C3%B3n [26] Tuo, S., Chen, T., He, H., Feng, Z., Zhu, Y., Liu, F., & Li, C. (2021, 19 noviembre). A Regional Industrial Economic Forecasting Model Based on a Deep Convolutional Neural Network and Big Data. MDPI. https://bit.ly/3OCddvD [27] Baxter, G., & Srisaeng, P. (2017, 20 octubre). THE USE OF AN ARTIFICIAL NEURAL NETWORK TO PREDICT AUSTRALIA’S EXPORT AIR CARGO DEMAND. School of Tourism and Hospitality Management, Suan Dusit University, Huahin Campus, Huahin, Prachaup Khiri Khan, Thailand. https://bit.ly/3OfSyO8 [28] Kurokawa, T., & Takeshita, K. (2004, 1 septiembre). Air transportation planning using neural networks as an example of the transportation squadron in the Japan Air SelfDefense Force. Wiley Online Library. https://bit.ly/3zXBQPc BIBLIOGRAFIA Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. RC Libros. Bravo, E. F. C., & Sotelo, J. A. L. (2009). Una aproximación práctica a las redes neuronales artificiales. Alianza Editorial. Shih-kun, L. (s. f.). Cómo entender la convolución dilatada - programador clic. Programador Clic. https://programmerclick.com/article/94021688955/ Verma, S. (2021, 11 diciembre). Understanding 1D and 3D Convolution Neural Network | Keras. Medium. https://towardsdatascience.com/understanding-1d-and-3dconvolution-neural-network-keras-9d8f76e29610 1D convolutional neural networks and applications: A survey. (2021, 1 abril). ScienceDirect. https://www.sciencedirect.com/science/article/pii/S0888327020307846 Ioannou, Y. (2017, 10 agosto). A Tutorial on Filter Groups (Grouped Convolution). A Shallow Blog about Deep Learning. https://blog.yani.ai/filter-group-tutorial/ Pandey, A. (2018, 9 septiembre). Depth-wise Convolution and Depth-wise Separable Convolution. Medium. https://medium.com/@zurister/depth-wise-convolution-anddepth-wise-separable-convolution-37346565d4ec Colaboradores de Wikipedia. (2021, 2 diciembre). Máquinas de vectores de soporte. Wikipedia, la enciclopedia libre. https://bit.ly/3Bv3S3B Raj, B. (2020, 31 julio). A Simple Guide to the Versions of the Inception Network. Medium. https://bit.ly/3HtNXUq B. (2020, 13 agosto). How ReLU and Dropout Layers Work in CNNs. Baeldung on Computer Science. https://www.baeldung.com/cs/ml-relu-dropout-layers Alake, R. (2021, 25 diciembre). Deep Learning: GoogLeNet Explained - Towards Data Science. Medium. https://bit.ly/3LjBsgv WEBGRAFIA [A] https://bit.ly/39M9cGj Consultado en abril 2022 [B] https://bit.ly/3zWE9lN Consultado en diciembre 2021 [C] https://bit.ly/2YXFUsK Consultado en diciembre 2021 [D] https://bit.ly/3yfutkX Consultado en diciembre 2021 [E] https://bit.ly/39MTTNz Consultado en enero 2022 [F] https://bit.ly/2JFvzLN Consultado en enero 2022 [G] https://bit.ly/3ypC9kZ Consultado en enero 2022 [H] https://bit.ly/3xQl1mH Consultado en enero 2022 [I] https://bit.ly/3zWlLt5 Consultado en febrero 2022 [J] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.116 [K] https://bit.ly/3ODyzsE Consultado en marzo 2022 [L] https://bit.ly/3ycA5MX Consultado en marzo 2022 [M] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.122 [N] https://bit.ly/3OuV6ba Consultado en marzo 2022 [O] https://bit.ly/3ygpUaf Consultado en marzo 2022 [P] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.150 [Q] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.153 [R] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.154 [S] https://bit.ly/3OB6fHo Consultado en diciembre 2021 [T] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.145 [U] https://bit.ly/3tYRlTd Consultado en abril 2022 [V] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.175 [W] Imagen adaptada de: Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.175 [X] Martinsanz, G. P., Caro, P. J. H., & Portas, E. B. (2021). Aprendizaje profundo. p.176 [Y] https://bit.ly/39RDCXt Consultado en mayo 2022 [Z] Figuras de creación propia
URI
https://hdl.handle.net/20.500.14352/3198
Collections
Trabajos Fin de Grado (TFG) y Diplomas de Estudios Avanzados (DEA)