Redes neuronales paralelas aplicadas a la visión computacional

Autores
Galdamez, Mariela; Chirino, Pamela; Díaz Acevedo, Karvin; Ponce de León, Alejo; Caymes Scutari, Paola Guadalupe; Bianchini, German
Año de publicación
2021
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La capacidad de permitir que una computadora reconozca en una imagen los objetos, ambiente y posición en el espacio fue el inicio de la visión computacional, un área dentro de la inteligencia artificial. Al utilizar el modelo de redes neuronales en este campo, se consiguen resultados en diversas ramas de la ciencia. Por ejemplo, diagnóstico de ciertas patologías en imágenes provenientes de ecografías o resonancia magnética; realizar vigilancia, reconocimiento dactilar y ocular como mecanismos de seguridad; entre otras tantas aplicaciones. Pero estructurar una red neuronal no es tarea sencilla, pues para conseguir que funcione y aprenda adecuadamente se requiere de un conjunto de datos de entrada que deberá analizar cierta cantidad de veces hasta producir una salida coherente con los datos ingresados. Esto implica la necesidad de una velocidad de cómputo enorme para que sea capaz de aprender en un período de tiempo razonable. Además, si el tamaño de la red es mucho mayor, los datos de entrada aumentan en cantidad y se complejiza el aprendizaje de la misma, lo que infiere en un aumento considerable de tiempo. Los procesadores actuales no brindan la velocidad suficiente y es aquí donde la programación paralela se presenta como una solución alternativa.
Fil: Galdamez, Mariela. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Chirino, Pamela. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Díaz Acevedo, Karvin. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Ponce de León, Alejo. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Caymes Scutari, Paola Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Bianchini, German. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
XXIII Workshop de Investigadores en Ciencias de la Computación
Chilecito
Argentina
Universidad Nacional de Chilecito
Red de Universidades con Carreras de Informática
Materia
REDES NEURONALES
PROGRAMACIÓN PARALELA
VISIÓN COMPUTACIONAL
Nivel de accesibilidad
acceso abierto
Condiciones de uso
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
CONICET Digital (CONICET)
Institución
Consejo Nacional de Investigaciones Científicas y Técnicas
OAI Identificador
oai:ri.conicet.gov.ar:11336/177694

id CONICETDig_b287e9c83e141eaf892b24811284a6c6
oai_identifier_str oai:ri.conicet.gov.ar:11336/177694
network_acronym_str CONICETDig
repository_id_str 3498
network_name_str CONICET Digital (CONICET)
spelling Redes neuronales paralelas aplicadas a la visión computacionalGaldamez, MarielaChirino, PamelaDíaz Acevedo, KarvinPonce de León, AlejoCaymes Scutari, Paola GuadalupeBianchini, GermanREDES NEURONALESPROGRAMACIÓN PARALELAVISIÓN COMPUTACIONALhttps://purl.org/becyt/ford/1.2https://purl.org/becyt/ford/1La capacidad de permitir que una computadora reconozca en una imagen los objetos, ambiente y posición en el espacio fue el inicio de la visión computacional, un área dentro de la inteligencia artificial. Al utilizar el modelo de redes neuronales en este campo, se consiguen resultados en diversas ramas de la ciencia. Por ejemplo, diagnóstico de ciertas patologías en imágenes provenientes de ecografías o resonancia magnética; realizar vigilancia, reconocimiento dactilar y ocular como mecanismos de seguridad; entre otras tantas aplicaciones. Pero estructurar una red neuronal no es tarea sencilla, pues para conseguir que funcione y aprenda adecuadamente se requiere de un conjunto de datos de entrada que deberá analizar cierta cantidad de veces hasta producir una salida coherente con los datos ingresados. Esto implica la necesidad de una velocidad de cómputo enorme para que sea capaz de aprender en un período de tiempo razonable. Además, si el tamaño de la red es mucho mayor, los datos de entrada aumentan en cantidad y se complejiza el aprendizaje de la misma, lo que infiere en un aumento considerable de tiempo. Los procesadores actuales no brindan la velocidad suficiente y es aquí donde la programación paralela se presenta como una solución alternativa.Fil: Galdamez, Mariela. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; ArgentinaFil: Chirino, Pamela. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; ArgentinaFil: Díaz Acevedo, Karvin. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; ArgentinaFil: Ponce de León, Alejo. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; ArgentinaFil: Caymes Scutari, Paola Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; ArgentinaFil: Bianchini, German. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; ArgentinaXXIII Workshop de Investigadores en Ciencias de la ComputaciónChilecitoArgentinaUniversidad Nacional de ChilecitoRed de Universidades con Carreras de InformáticaUniversidad Nacional de ChilecitoFrati, Fernando EmmanuelCarmona, Fernanda Beatriz2021info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/conferenceObjectWorkshopBookhttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfapplication/pdfapplication/pdfapplication/pdfhttp://hdl.handle.net/11336/177694Redes neuronales paralelas aplicadas a la visión computacional; XXIII Workshop de Investigadores en Ciencias de la Computación; Chilecito; Argentina; 2021; 725-728978-987-24611-3-3CONICET DigitalCONICETspainfo:eu-repo/semantics/altIdentifier/url/https://libros.unlp.edu.ar/index.php/unlp/catalog/book/1680Nacionalinfo:eu-repo/semantics/openAccesshttps://creativecommons.org/licenses/by-nc-sa/2.5/ar/reponame:CONICET Digital (CONICET)instname:Consejo Nacional de Investigaciones Científicas y Técnicas2025-09-03T10:10:42Zoai:ri.conicet.gov.ar:11336/177694instacron:CONICETInstitucionalhttp://ri.conicet.gov.ar/Organismo científico-tecnológicoNo correspondehttp://ri.conicet.gov.ar/oai/requestdasensio@conicet.gov.ar; lcarlino@conicet.gov.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:34982025-09-03 10:10:42.507CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicasfalse
dc.title.none.fl_str_mv Redes neuronales paralelas aplicadas a la visión computacional
title Redes neuronales paralelas aplicadas a la visión computacional
spellingShingle Redes neuronales paralelas aplicadas a la visión computacional
Galdamez, Mariela
REDES NEURONALES
PROGRAMACIÓN PARALELA
VISIÓN COMPUTACIONAL
title_short Redes neuronales paralelas aplicadas a la visión computacional
title_full Redes neuronales paralelas aplicadas a la visión computacional
title_fullStr Redes neuronales paralelas aplicadas a la visión computacional
title_full_unstemmed Redes neuronales paralelas aplicadas a la visión computacional
title_sort Redes neuronales paralelas aplicadas a la visión computacional
dc.creator.none.fl_str_mv Galdamez, Mariela
Chirino, Pamela
Díaz Acevedo, Karvin
Ponce de León, Alejo
Caymes Scutari, Paola Guadalupe
Bianchini, German
author Galdamez, Mariela
author_facet Galdamez, Mariela
Chirino, Pamela
Díaz Acevedo, Karvin
Ponce de León, Alejo
Caymes Scutari, Paola Guadalupe
Bianchini, German
author_role author
author2 Chirino, Pamela
Díaz Acevedo, Karvin
Ponce de León, Alejo
Caymes Scutari, Paola Guadalupe
Bianchini, German
author2_role author
author
author
author
author
dc.contributor.none.fl_str_mv Frati, Fernando Emmanuel
Carmona, Fernanda Beatriz
dc.subject.none.fl_str_mv REDES NEURONALES
PROGRAMACIÓN PARALELA
VISIÓN COMPUTACIONAL
topic REDES NEURONALES
PROGRAMACIÓN PARALELA
VISIÓN COMPUTACIONAL
purl_subject.fl_str_mv https://purl.org/becyt/ford/1.2
https://purl.org/becyt/ford/1
dc.description.none.fl_txt_mv La capacidad de permitir que una computadora reconozca en una imagen los objetos, ambiente y posición en el espacio fue el inicio de la visión computacional, un área dentro de la inteligencia artificial. Al utilizar el modelo de redes neuronales en este campo, se consiguen resultados en diversas ramas de la ciencia. Por ejemplo, diagnóstico de ciertas patologías en imágenes provenientes de ecografías o resonancia magnética; realizar vigilancia, reconocimiento dactilar y ocular como mecanismos de seguridad; entre otras tantas aplicaciones. Pero estructurar una red neuronal no es tarea sencilla, pues para conseguir que funcione y aprenda adecuadamente se requiere de un conjunto de datos de entrada que deberá analizar cierta cantidad de veces hasta producir una salida coherente con los datos ingresados. Esto implica la necesidad de una velocidad de cómputo enorme para que sea capaz de aprender en un período de tiempo razonable. Además, si el tamaño de la red es mucho mayor, los datos de entrada aumentan en cantidad y se complejiza el aprendizaje de la misma, lo que infiere en un aumento considerable de tiempo. Los procesadores actuales no brindan la velocidad suficiente y es aquí donde la programación paralela se presenta como una solución alternativa.
Fil: Galdamez, Mariela. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Chirino, Pamela. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Díaz Acevedo, Karvin. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Ponce de León, Alejo. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Caymes Scutari, Paola Guadalupe. Consejo Nacional de Investigaciones Científicas y Técnicas. Centro Científico Tecnológico Conicet - Mendoza; Argentina. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
Fil: Bianchini, German. Universidad Tecnologica Nacional. Facultad Reg.mendoza. Departamento de Ingeniería Química.; Argentina
XXIII Workshop de Investigadores en Ciencias de la Computación
Chilecito
Argentina
Universidad Nacional de Chilecito
Red de Universidades con Carreras de Informática
description La capacidad de permitir que una computadora reconozca en una imagen los objetos, ambiente y posición en el espacio fue el inicio de la visión computacional, un área dentro de la inteligencia artificial. Al utilizar el modelo de redes neuronales en este campo, se consiguen resultados en diversas ramas de la ciencia. Por ejemplo, diagnóstico de ciertas patologías en imágenes provenientes de ecografías o resonancia magnética; realizar vigilancia, reconocimiento dactilar y ocular como mecanismos de seguridad; entre otras tantas aplicaciones. Pero estructurar una red neuronal no es tarea sencilla, pues para conseguir que funcione y aprenda adecuadamente se requiere de un conjunto de datos de entrada que deberá analizar cierta cantidad de veces hasta producir una salida coherente con los datos ingresados. Esto implica la necesidad de una velocidad de cómputo enorme para que sea capaz de aprender en un período de tiempo razonable. Además, si el tamaño de la red es mucho mayor, los datos de entrada aumentan en cantidad y se complejiza el aprendizaje de la misma, lo que infiere en un aumento considerable de tiempo. Los procesadores actuales no brindan la velocidad suficiente y es aquí donde la programación paralela se presenta como una solución alternativa.
publishDate 2021
dc.date.none.fl_str_mv 2021
dc.type.none.fl_str_mv info:eu-repo/semantics/publishedVersion
info:eu-repo/semantics/conferenceObject
Workshop
Book
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
status_str publishedVersion
format conferenceObject
dc.identifier.none.fl_str_mv http://hdl.handle.net/11336/177694
Redes neuronales paralelas aplicadas a la visión computacional; XXIII Workshop de Investigadores en Ciencias de la Computación; Chilecito; Argentina; 2021; 725-728
978-987-24611-3-3
CONICET Digital
CONICET
url http://hdl.handle.net/11336/177694
identifier_str_mv Redes neuronales paralelas aplicadas a la visión computacional; XXIII Workshop de Investigadores en Ciencias de la Computación; Chilecito; Argentina; 2021; 725-728
978-987-24611-3-3
CONICET Digital
CONICET
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://libros.unlp.edu.ar/index.php/unlp/catalog/book/1680
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
eu_rights_str_mv openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by-nc-sa/2.5/ar/
dc.format.none.fl_str_mv application/pdf
application/pdf
application/pdf
application/pdf
dc.coverage.none.fl_str_mv Nacional
dc.publisher.none.fl_str_mv Universidad Nacional de Chilecito
publisher.none.fl_str_mv Universidad Nacional de Chilecito
dc.source.none.fl_str_mv reponame:CONICET Digital (CONICET)
instname:Consejo Nacional de Investigaciones Científicas y Técnicas
reponame_str CONICET Digital (CONICET)
collection CONICET Digital (CONICET)
instname_str Consejo Nacional de Investigaciones Científicas y Técnicas
repository.name.fl_str_mv CONICET Digital (CONICET) - Consejo Nacional de Investigaciones Científicas y Técnicas
repository.mail.fl_str_mv dasensio@conicet.gov.ar; lcarlino@conicet.gov.ar
_version_ 1842270130711560192
score 13.13397