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
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/22454
Ver los metadatos del registro completo
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 |