Métricas de Invarianza Transformacional para Redes Neuronales

Mostrar todas las versiones(2)

Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de vis...

Descripción completa

Guardado en:

Detalles Bibliográficos
Autor principal:	Quiroga, Facundo Manuel
Formato:	Objeto de conferencia
Lenguaje:	Español
Publicado:	2020
Materias:	Ciencias Informáticas Redes neuronales Invarianza Equivarianza Métrica Neural networks Invariance Equivariance Measure
Acceso en línea:	http://sedici.unlp.edu.ar/handle/10915/113907 https://congresos.unlp.edu.ar/ebec2020/facundo-quiroga
Aporte de:	SEDICI (UNLP) de Universidad Nacional de La Plata

id	I19-R120-10915-113907
record_format	dspace
institution	Universidad Nacional de La Plata
institution_str	I-19
repository_str	R-120
collection	SEDICI (UNLP)
language	Español
topic	Ciencias Informáticas Redes neuronales Invarianza Equivarianza Métrica Neural networks Invariance Equivariance Measure
spellingShingle	Ciencias Informáticas Redes neuronales Invarianza Equivarianza Métrica Neural networks Invariance Equivariance Measure Quiroga, Facundo Manuel Métricas de Invarianza Transformacional para Redes Neuronales
topic_facet	Ciencias Informáticas Redes neuronales Invarianza Equivarianza Métrica Neural networks Invariance Equivariance Measure
description	Las Redes Neuronales son los modelos de aprendizaje automático con mejor desempeño en la actualidad en una gran variedad de problemas. En particular, las Redes Convolucionales, es decir, Redes Neuronales que utilizan capas convolucionales, son el estado del arte en la mayoría de los problemas de visión por computadora. Muchos de los problemas para los cuales las Redes Convolucionales son el estado del arte requieren que los modelos se comporten de cierta manera ante transformaciones de su entrada. Existen dos propiedades fundamentales que capturan dicho requerimiento; la invarianza y la equivarianza. La invarianza nos dice que la salida del modelo no es afectado por las transformaciones. La equivarianza permite que la salida sea afectada, pero de una manera controlada y útil. Si bien los modelos tradicionales de Redes Convolucionales son equivariantes a la traslación por diseño, no son ni invariantes a dicha transformación ni equivariantes a otras en los escenarios usuales de entrenamiento y uso. Existen dos opciones principales para otorgar invarianza o equivarianza a un modelo de red neuronal. La tradicional ha sido modificar el modelo para dotarlo de esas propiedades. La otra opción es entrenarlo con aumentación de datos utilizando como transformaciones el mismo conjunto al que se desea la equivarianza. No obstante, no está claro cómo los modelos adquieren estas propiedades, tanto al usar aumentación de datos como al modificar el modelo. Tampoco está claro como las modificaciones de modelos afectan la eficiencia y el poder de representación de los mismos. Más aún, en los modelos tradicionales tampoco es conocido cómo se adquieren dichas propiedades con aumentación de datos, así como cuál es la mejor estrategia para aumentar los datos con este fin. Esta línea de investigación busca contribuir al entendimiento y mejora de la equivarianza de los modelos de redes neuronales, en particular aplicados a la clasificación de formas de mano para la lengua de seña y otros tipos de gestos mediante modelos de redes convolucionales.
format	Objeto de conferencia Objeto de conferencia
author	Quiroga, Facundo Manuel
author_facet	Quiroga, Facundo Manuel
author_sort	Quiroga, Facundo Manuel
title	Métricas de Invarianza Transformacional para Redes Neuronales
title_short	Métricas de Invarianza Transformacional para Redes Neuronales
title_full	Métricas de Invarianza Transformacional para Redes Neuronales
title_fullStr	Métricas de Invarianza Transformacional para Redes Neuronales
title_full_unstemmed	Métricas de Invarianza Transformacional para Redes Neuronales
title_sort	métricas de invarianza transformacional para redes neuronales
publishDate	2020
url	http://sedici.unlp.edu.ar/handle/10915/113907 https://congresos.unlp.edu.ar/ebec2020/facundo-quiroga
work_keys_str_mv	AT quirogafacundomanuel metricasdeinvarianzatransformacionalpararedesneuronales AT quirogafacundomanuel transformationalinvarianceforneuralnetworks
bdutipo_str	Repositorios
_version_	1764820446325243904

Métricas de Invarianza Transformacional para Redes Neuronales

Ejemplares similares