BPN<sup>n</sup>-CPN

Autores
Corbalán, Leonardo César; Hasperué, Waldo; Osella Massa, Germán Leandro; Lanzarini, Laura Cristina
Año de publicación
2006
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La segmentación es un paso muy importante en el procesamiento de imágenes digitales. Su aplicación tiene como objetivo la subdivisión de la imagen en sus partes constituyentes u objetos. Actualmente existen diferentes técnicas para realizarla. En este trabajo se propone un nuevo método de segmentación de imágenes, denominado BPNn-CPN, basado en Redes Neuronales Artificiales, que combina la utilización de las arquitecturas Backpropagation (BPN) y Contrapropagación (CPN). Si bien las características y capacidades de cada una de estas arquitecturas son ampliamente conocidas, su desempeño individual no siempre es el más adecuado para la resolución de este tipo de problemas. El método BPNn-CPN aquí propuesto basa su funcionamiento en la combinación de pequeñas redes que realizan el proceso de segmentación con un menor tiempo de entrenamiento logrando una mejora de la performance del sistema. BPNn-CPN ha sido aplicado a la resolución de distintos problemas de segmentación sobre imágenes en tonos de grises con resultados muy satisfactorios demostrando poseer la capacidad de la BPN pero con un tiempo computacional mucho menor. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
Segmentation is a really important stage in digital image processing. Its application aims at subdiving the image into its constituent parts or objects. At present, there exist various techniques to carry this out. This paper proposes a new image segmenting method, called BPNn-CPN, based on Artificial Neural Networks, which combines the use of Back-propagation (BPN) and Counter-propagation (CPN) architectures. Even though each architecture’s characteristics and capacities are widely known, their individual performance is not suitable for solving this kind of problems. The BPNn-CPN method here posed bases its performance on the combination of small networks which carry out the segmenting process with a shorter training time, thus achieving an improvement in the system performance. BPNn-CPN has been applied to the solution of various segmentation problems over grey scale images with really successful results, proving itself to have the capacity of the BPN but with a much shorter computational time. Finally, some conclusions and future lines of work are presented.
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
segmentación de imágenes
Aprendizaje
Neural nets
Image processing software
image segmentation
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/22454

id SEDICI_684e3818969f465d189971cad19abd13
oai_identifier_str oai:sedici.unlp.edu.ar:10915/22454
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling BPN<sup>n</sup>-CPNCorbalán, Leonardo CésarHasperué, WaldoOsella Massa, Germán LeandroLanzarini, Laura CristinaCiencias Informáticassegmentación de imágenesAprendizajeNeural netsImage processing softwareimage segmentationLa segmentación es un paso muy importante en el procesamiento de imágenes digitales. Su aplicación tiene como objetivo la subdivisión de la imagen en sus partes constituyentes u objetos. Actualmente existen diferentes técnicas para realizarla. En este trabajo se propone un nuevo método de segmentación de imágenes, denominado BPN<sup>n</sup>-CPN, basado en Redes Neuronales Artificiales, que combina la utilización de las arquitecturas Backpropagation (BPN) y Contrapropagación (CPN). Si bien las características y capacidades de cada una de estas arquitecturas son ampliamente conocidas, su desempeño individual no siempre es el más adecuado para la resolución de este tipo de problemas. El método BPN<sup>n</sup>-CPN aquí propuesto basa su funcionamiento en la combinación de pequeñas redes que realizan el proceso de segmentación con un menor tiempo de entrenamiento logrando una mejora de la performance del sistema. BPN<sup>n</sup>-CPN ha sido aplicado a la resolución de distintos problemas de segmentación sobre imágenes en tonos de grises con resultados muy satisfactorios demostrando poseer la capacidad de la BPN pero con un tiempo computacional mucho menor. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futurasSegmentation is a really important stage in digital image processing. Its application aims at subdiving the image into its constituent parts or objects. At present, there exist various techniques to carry this out. This paper proposes a new image segmenting method, called BPN<sup>n</sup>-CPN, based on Artificial Neural Networks, which combines the use of Back-propagation (BPN) and Counter-propagation (CPN) architectures. Even though each architecture’s characteristics and capacities are widely known, their individual performance is not suitable for solving this kind of problems. The BPN<sup>n</sup>-CPN method here posed bases its performance on the combination of small networks which carry out the segmenting process with a shorter training time, thus achieving an improvement in the system performance. BPN<sup>n</sup>-CPN has been applied to the solution of various segmentation problems over grey scale images with really successful results, proving itself to have the capacity of the BPN but with a much shorter computational time. Finally, some conclusions and future lines of work are presented.Red de Universidades con Carreras en Informática (RedUNCI)2006-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf679-690http://sedici.unlp.edu.ar/handle/10915/22454spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/2.5/ar/Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T10:55:02Zoai:sedici.unlp.edu.ar:10915/22454Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 10:55:03.111SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv BPN<sup>n</sup>-CPN
title BPN<sup>n</sup>-CPN
spellingShingle BPN<sup>n</sup>-CPN
Corbalán, Leonardo César
Ciencias Informáticas
segmentación de imágenes
Aprendizaje
Neural nets
Image processing software
image segmentation
title_short BPN<sup>n</sup>-CPN
title_full BPN<sup>n</sup>-CPN
title_fullStr BPN<sup>n</sup>-CPN
title_full_unstemmed BPN<sup>n</sup>-CPN
title_sort BPN<sup>n</sup>-CPN
dc.creator.none.fl_str_mv Corbalán, Leonardo César
Hasperué, Waldo
Osella Massa, Germán Leandro
Lanzarini, Laura Cristina
author Corbalán, Leonardo César
author_facet Corbalán, Leonardo César
Hasperué, Waldo
Osella Massa, Germán Leandro
Lanzarini, Laura Cristina
author_role author
author2 Hasperué, Waldo
Osella Massa, Germán Leandro
Lanzarini, Laura Cristina
author2_role author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
segmentación de imágenes
Aprendizaje
Neural nets
Image processing software
image segmentation
topic Ciencias Informáticas
segmentación de imágenes
Aprendizaje
Neural nets
Image processing software
image segmentation
dc.description.none.fl_txt_mv La segmentación es un paso muy importante en el procesamiento de imágenes digitales. Su aplicación tiene como objetivo la subdivisión de la imagen en sus partes constituyentes u objetos. Actualmente existen diferentes técnicas para realizarla. En este trabajo se propone un nuevo método de segmentación de imágenes, denominado BPN<sup>n</sup>-CPN, basado en Redes Neuronales Artificiales, que combina la utilización de las arquitecturas Backpropagation (BPN) y Contrapropagación (CPN). Si bien las características y capacidades de cada una de estas arquitecturas son ampliamente conocidas, su desempeño individual no siempre es el más adecuado para la resolución de este tipo de problemas. El método BPN<sup>n</sup>-CPN aquí propuesto basa su funcionamiento en la combinación de pequeñas redes que realizan el proceso de segmentación con un menor tiempo de entrenamiento logrando una mejora de la performance del sistema. BPN<sup>n</sup>-CPN ha sido aplicado a la resolución de distintos problemas de segmentación sobre imágenes en tonos de grises con resultados muy satisfactorios demostrando poseer la capacidad de la BPN pero con un tiempo computacional mucho menor. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
Segmentation is a really important stage in digital image processing. Its application aims at subdiving the image into its constituent parts or objects. At present, there exist various techniques to carry this out. This paper proposes a new image segmenting method, called BPN<sup>n</sup>-CPN, based on Artificial Neural Networks, which combines the use of Back-propagation (BPN) and Counter-propagation (CPN) architectures. Even though each architecture’s characteristics and capacities are widely known, their individual performance is not suitable for solving this kind of problems. The BPN<sup>n</sup>-CPN method here posed bases its performance on the combination of small networks which carry out the segmenting process with a shorter training time, thus achieving an improvement in the system performance. BPN<sup>n</sup>-CPN has been applied to the solution of various segmentation problems over grey scale images with really successful results, proving itself to have the capacity of the BPN but with a much shorter computational time. Finally, some conclusions and future lines of work are presented.
Red de Universidades con Carreras en Informática (RedUNCI)
description La segmentación es un paso muy importante en el procesamiento de imágenes digitales. Su aplicación tiene como objetivo la subdivisión de la imagen en sus partes constituyentes u objetos. Actualmente existen diferentes técnicas para realizarla. En este trabajo se propone un nuevo método de segmentación de imágenes, denominado BPN<sup>n</sup>-CPN, basado en Redes Neuronales Artificiales, que combina la utilización de las arquitecturas Backpropagation (BPN) y Contrapropagación (CPN). Si bien las características y capacidades de cada una de estas arquitecturas son ampliamente conocidas, su desempeño individual no siempre es el más adecuado para la resolución de este tipo de problemas. El método BPN<sup>n</sup>-CPN aquí propuesto basa su funcionamiento en la combinación de pequeñas redes que realizan el proceso de segmentación con un menor tiempo de entrenamiento logrando una mejora de la performance del sistema. BPN<sup>n</sup>-CPN ha sido aplicado a la resolución de distintos problemas de segmentación sobre imágenes en tonos de grises con resultados muy satisfactorios demostrando poseer la capacidad de la BPN pero con un tiempo computacional mucho menor. Finalmente se presentan algunas conclusiones así como algunas líneas de trabajo futuras
publishDate 2006
dc.date.none.fl_str_mv 2006-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/22454
url http://sedici.unlp.edu.ar/handle/10915/22454
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/2.5/ar/
Creative Commons Attribution-NonCommercial-ShareAlike 2.5 Argentina (CC BY-NC-SA 2.5)
dc.format.none.fl_str_mv application/pdf
679-690
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844615809050083328
score 13.070432