Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos
- Autores
- Ronchetti, Franco; Quiroga, Facundo Manuel; Ríos, Gastón Gustavo; Dal Bianco, Pedro Alejandro; Mindlin, Iván; Lanzarini, Laura Cristina; Rosete, A.; Gamen, Roberto Claudio; Aidelman, Yael Judith; Escudero, Carlos Gabriel; Pereyra, Nehén; Rucci, Enzo
- Año de publicación
- 2022
- Idioma
- español castellano
- Tipo de recurso
- documento de conferencia
- Estado
- versión publicada
- Descripción
- Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de reconocimiento de patrones en imágenes, video y datos médicos, utilizando técnicas de Aprendizaje Automático clásicas, junto con Redes Neuronales Convolucionales y Aprendizaje profundo. El trabajo presentado describe diferentes casos de aplicación en visión por computadora, Astronomía y predicción de diabetes. Una de las líneas de investigación principales que se continúa desarrollando es el reconocimiento de lengua de señas. Este es un problema complejo y multidisciplinar, que presenta diversos subproblemas a resolver como el reconocimiento del intérprete, la segmentación de manos, la clasificación de diferentes configuraciones y de un gesto dinámico, entre otros. En esta área se está estudiando la forma de reconocer formas de mano de la Lengua de Señas con conjuntos de datos de tamaño reducido, dada la falta de datos de entrenamiento para este dominio. Además, se están utilizando Redes Recurrentes para reconocer señas dinámicas, utilizando la base de datos LSA64 de Lengua de Señas Argentina [2]. Por último, se están utilizando Redes Generativas Adversarias (GANs) para aumentar bases de datos de formas de mano, con el objetivo de complementar desde otro enfoque el entrenamiento de modelos para su clasificación. Por otro lado, se está estudiando la forma en que las redes neuronales codifican la invarianza a las transformaciones y otras propiedades transformacionales, con el objetivo de poder analizar y comparar estos modelos. De esta forma se espera poder mejorar los modelos de clasificación de objetos transformados, en particular, de formas de mano. Siguiendo con la línea de reconocimiento de patrones en imágenes, se está llevando a cabo una colaboración con investigadores de la Facultad de Astronomía y Geofísica de la UNLP para crear modelos de clasificación de imágenes de objetos celestes. Además, se está desarrollando un sistema para recuperar la información de placas. Por último, se estudiaron modelos de Aprendizaje Automático para la predicción temprana de la enfermedad de diabetes.
Red de Universidades con Carreras en Informática - Materia
-
Ciencias Informáticas
Redes neuronales
Redes convolucionales
Redes recurrentes
Visión por computadoras
Lengua de señas
Redes generativas adversarias
Invarianza
Equivarianza
Imágenes astronómicas - Nivel de accesibilidad
- acceso abierto
- Condiciones de uso
- http://creativecommons.org/licenses/by-nc-sa/4.0/
- Repositorio
- Institución
- Universidad Nacional de La Plata
- OAI Identificador
- oai:sedici.unlp.edu.ar:10915/143292
Ver los metadatos del registro completo
id |
SEDICI_7d25b5cf015cf66e51aeeac21f7a9b4d |
---|---|
oai_identifier_str |
oai:sedici.unlp.edu.ar:10915/143292 |
network_acronym_str |
SEDICI |
repository_id_str |
1329 |
network_name_str |
SEDICI (UNLP) |
spelling |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicosRonchetti, FrancoQuiroga, Facundo ManuelRíos, Gastón GustavoDal Bianco, Pedro AlejandroMindlin, IvánLanzarini, Laura CristinaRosete, A.Gamen, Roberto ClaudioAidelman, Yael JudithEscudero, Carlos GabrielPereyra, NehénRucci, EnzoCiencias InformáticasRedes neuronalesRedes convolucionalesRedes recurrentesVisión por computadorasLengua de señasRedes generativas adversariasInvarianzaEquivarianzaImágenes astronómicasEsta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de reconocimiento de patrones en imágenes, video y datos médicos, utilizando técnicas de Aprendizaje Automático clásicas, junto con Redes Neuronales Convolucionales y Aprendizaje profundo. El trabajo presentado describe diferentes casos de aplicación en visión por computadora, Astronomía y predicción de diabetes. Una de las líneas de investigación principales que se continúa desarrollando es el reconocimiento de lengua de señas. Este es un problema complejo y multidisciplinar, que presenta diversos subproblemas a resolver como el reconocimiento del intérprete, la segmentación de manos, la clasificación de diferentes configuraciones y de un gesto dinámico, entre otros. En esta área se está estudiando la forma de reconocer formas de mano de la Lengua de Señas con conjuntos de datos de tamaño reducido, dada la falta de datos de entrenamiento para este dominio. Además, se están utilizando Redes Recurrentes para reconocer señas dinámicas, utilizando la base de datos LSA64 de Lengua de Señas Argentina [2]. Por último, se están utilizando Redes Generativas Adversarias (GANs) para aumentar bases de datos de formas de mano, con el objetivo de complementar desde otro enfoque el entrenamiento de modelos para su clasificación. Por otro lado, se está estudiando la forma en que las redes neuronales codifican la invarianza a las transformaciones y otras propiedades transformacionales, con el objetivo de poder analizar y comparar estos modelos. De esta forma se espera poder mejorar los modelos de clasificación de objetos transformados, en particular, de formas de mano. Siguiendo con la línea de reconocimiento de patrones en imágenes, se está llevando a cabo una colaboración con investigadores de la Facultad de Astronomía y Geofísica de la UNLP para crear modelos de clasificación de imágenes de objetos celestes. Además, se está desarrollando un sistema para recuperar la información de placas. Por último, se estudiaron modelos de Aprendizaje Automático para la predicción temprana de la enfermedad de diabetes.Red de Universidades con Carreras en Informática2022-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf42-46http://sedici.unlp.edu.ar/handle/10915/143292spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-48222-3-9info:eu-repo/semantics/reference/hdl/10915/142555info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:36:34Zoai:sedici.unlp.edu.ar:10915/143292Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:36:34.508SEDICI (UNLP) - Universidad Nacional de La Platafalse |
dc.title.none.fl_str_mv |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos |
title |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos |
spellingShingle |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos Ronchetti, Franco Ciencias Informáticas Redes neuronales Redes convolucionales Redes recurrentes Visión por computadoras Lengua de señas Redes generativas adversarias Invarianza Equivarianza Imágenes astronómicas |
title_short |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos |
title_full |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos |
title_fullStr |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos |
title_full_unstemmed |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos |
title_sort |
Deep learning para aplicaciones astronómicas, visión por computadora y sistemas médicos |
dc.creator.none.fl_str_mv |
Ronchetti, Franco Quiroga, Facundo Manuel Ríos, Gastón Gustavo Dal Bianco, Pedro Alejandro Mindlin, Iván Lanzarini, Laura Cristina Rosete, A. Gamen, Roberto Claudio Aidelman, Yael Judith Escudero, Carlos Gabriel Pereyra, Nehén Rucci, Enzo |
author |
Ronchetti, Franco |
author_facet |
Ronchetti, Franco Quiroga, Facundo Manuel Ríos, Gastón Gustavo Dal Bianco, Pedro Alejandro Mindlin, Iván Lanzarini, Laura Cristina Rosete, A. Gamen, Roberto Claudio Aidelman, Yael Judith Escudero, Carlos Gabriel Pereyra, Nehén Rucci, Enzo |
author_role |
author |
author2 |
Quiroga, Facundo Manuel Ríos, Gastón Gustavo Dal Bianco, Pedro Alejandro Mindlin, Iván Lanzarini, Laura Cristina Rosete, A. Gamen, Roberto Claudio Aidelman, Yael Judith Escudero, Carlos Gabriel Pereyra, Nehén Rucci, Enzo |
author2_role |
author author author author author author author author author author author |
dc.subject.none.fl_str_mv |
Ciencias Informáticas Redes neuronales Redes convolucionales Redes recurrentes Visión por computadoras Lengua de señas Redes generativas adversarias Invarianza Equivarianza Imágenes astronómicas |
topic |
Ciencias Informáticas Redes neuronales Redes convolucionales Redes recurrentes Visión por computadoras Lengua de señas Redes generativas adversarias Invarianza Equivarianza Imágenes astronómicas |
dc.description.none.fl_txt_mv |
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de reconocimiento de patrones en imágenes, video y datos médicos, utilizando técnicas de Aprendizaje Automático clásicas, junto con Redes Neuronales Convolucionales y Aprendizaje profundo. El trabajo presentado describe diferentes casos de aplicación en visión por computadora, Astronomía y predicción de diabetes. Una de las líneas de investigación principales que se continúa desarrollando es el reconocimiento de lengua de señas. Este es un problema complejo y multidisciplinar, que presenta diversos subproblemas a resolver como el reconocimiento del intérprete, la segmentación de manos, la clasificación de diferentes configuraciones y de un gesto dinámico, entre otros. En esta área se está estudiando la forma de reconocer formas de mano de la Lengua de Señas con conjuntos de datos de tamaño reducido, dada la falta de datos de entrenamiento para este dominio. Además, se están utilizando Redes Recurrentes para reconocer señas dinámicas, utilizando la base de datos LSA64 de Lengua de Señas Argentina [2]. Por último, se están utilizando Redes Generativas Adversarias (GANs) para aumentar bases de datos de formas de mano, con el objetivo de complementar desde otro enfoque el entrenamiento de modelos para su clasificación. Por otro lado, se está estudiando la forma en que las redes neuronales codifican la invarianza a las transformaciones y otras propiedades transformacionales, con el objetivo de poder analizar y comparar estos modelos. De esta forma se espera poder mejorar los modelos de clasificación de objetos transformados, en particular, de formas de mano. Siguiendo con la línea de reconocimiento de patrones en imágenes, se está llevando a cabo una colaboración con investigadores de la Facultad de Astronomía y Geofísica de la UNLP para crear modelos de clasificación de imágenes de objetos celestes. Además, se está desarrollando un sistema para recuperar la información de placas. Por último, se estudiaron modelos de Aprendizaje Automático para la predicción temprana de la enfermedad de diabetes. Red de Universidades con Carreras en Informática |
description |
Esta línea de investigación se centra en el estudio y desarrollo de Sistemas Inteligentes para la resolución de problemas de reconocimiento de patrones en imágenes, video y datos médicos, utilizando técnicas de Aprendizaje Automático clásicas, junto con Redes Neuronales Convolucionales y Aprendizaje profundo. El trabajo presentado describe diferentes casos de aplicación en visión por computadora, Astronomía y predicción de diabetes. Una de las líneas de investigación principales que se continúa desarrollando es el reconocimiento de lengua de señas. Este es un problema complejo y multidisciplinar, que presenta diversos subproblemas a resolver como el reconocimiento del intérprete, la segmentación de manos, la clasificación de diferentes configuraciones y de un gesto dinámico, entre otros. En esta área se está estudiando la forma de reconocer formas de mano de la Lengua de Señas con conjuntos de datos de tamaño reducido, dada la falta de datos de entrenamiento para este dominio. Además, se están utilizando Redes Recurrentes para reconocer señas dinámicas, utilizando la base de datos LSA64 de Lengua de Señas Argentina [2]. Por último, se están utilizando Redes Generativas Adversarias (GANs) para aumentar bases de datos de formas de mano, con el objetivo de complementar desde otro enfoque el entrenamiento de modelos para su clasificación. Por otro lado, se está estudiando la forma en que las redes neuronales codifican la invarianza a las transformaciones y otras propiedades transformacionales, con el objetivo de poder analizar y comparar estos modelos. De esta forma se espera poder mejorar los modelos de clasificación de objetos transformados, en particular, de formas de mano. Siguiendo con la línea de reconocimiento de patrones en imágenes, se está llevando a cabo una colaboración con investigadores de la Facultad de Astronomía y Geofísica de la UNLP para crear modelos de clasificación de imágenes de objetos celestes. Además, se está desarrollando un sistema para recuperar la información de placas. Por último, se estudiaron modelos de Aprendizaje Automático para la predicción temprana de la enfermedad de diabetes. |
publishDate |
2022 |
dc.date.none.fl_str_mv |
2022-04 |
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/10915/143292 |
url |
http://sedici.unlp.edu.ar/handle/10915/143292 |
dc.language.none.fl_str_mv |
spa |
language |
spa |
dc.relation.none.fl_str_mv |
info:eu-repo/semantics/altIdentifier/isbn/978-987-48222-3-9 info:eu-repo/semantics/reference/hdl/10915/142555 |
dc.rights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
eu_rights_str_mv |
openAccess |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0) |
dc.format.none.fl_str_mv |
application/pdf 42-46 |
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_ |
1844616243669106688 |
score |
13.070432 |