UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE CIENCIA DEPARTAMENTO DE MATEMATICA Y CIENCIA DE LA...
-
Upload
juan-carlos-fernandez-soriano -
Category
Documents
-
view
216 -
download
0
Transcript of UNIVERSIDAD DE SANTIAGO DE CHILE FACULTAD DE CIENCIA DEPARTAMENTO DE MATEMATICA Y CIENCIA DE LA...
UNIVERSIDAD DE SANTIAGO DE CHILEFACULTAD DE CIENCIADEPARTAMENTO DE MATEMATICA Y CIENCIA DE LA COMPUTACIONLICENCIATURA EN CIENCIA DE LA COMPUTACION
RECONOCIMIENTO HEURISTICO DE PATRONES GEOMETRICOS BIDIMENSIONALES MEDIANTE REDES NEURONALES AUTOORGANIZADAS Y TRANSFORMADA DISCRETA DE FOURIER.
Oscar Francisco Rojas DíazSeptiembre - 2006
El tema central de esta tesis es la visión artificial específicamente el reconocimiento de patrones
bidimensionales utilizando modelos de inteligencia computacional y técnicas asociadas al análisis digital
de la imagen, lo cual permitiría a una máquina reconocer figuras bidimensionales ubicadas en un
escenario.
Estructura de la presentación.
• Introducción• Objetivos• Desarrollo de la propuesta• Demostración experimental• Conclusiones• Consultas
Introducción: ¿Inteligencia Artificial?La mayoría de las definiciones coinciden en que el objetivo de la Inteligencia Artificial es imitar las facultades del comportamiento que atribuimos al ser humano y el computador es el medio para lograr dichos objetivos.
Atributos del humano.
Aprender Tomar decisionesPercibir Razonar
Adquirir conocimiento
Utilizar los Sentidos
Analizar lasituación
Acciones físicas oIntelectuales
Inteligencia Artificial
Escuelas de pensamiento
Inteligencia artificial convencional
Inteligencia computacional
• Sistema expertos• Razonamiento basado en casos• Redes Bayesianas• Árboles de decisión en general
• Redes neuronales• Sistema difusos• Computación evolutiva• Sistemas híbridos• Sistemas conexionistas
Biológica y lingüística
Formalismo y análisis estadístico
Base teórica
Métodos
Robótica e Inteligencia Artificial
La robótica es una rama de la tecnología, que estudia el diseño y construcción de máquinas capaces de desempeñar tareas realizadas por el ser humano, imitar comportamientos de seres vivos físicamente o bien maquinas capaces de realizar tareas que requieran el uso de inteligencia.
Capacidad de aprendizaje, mejoras en la toma de decisiones, etc.
Mejoras mecánicas
Reducción en el tamaño de integrados
Disponibilidad de hardware
Capacidades de computo
Desarrollo Mecánico - físico
Inteligencia artificial actual permite en robótica
Resolver mas problemas
Menos tasa de error
Velocidad de respuesta
Decisiones autónomas
Diseños mas parecidos al humano, maquinas mas especializadas, mayor precisión en los movimientos, etc.
Desarrollo histórico
Nueva generación
Autonomía en la adquisición de conocimiento.
Robot con mayorautonomía e
interacción con el humano y su entorno
+
Robot con mayorinteligencia
Como interactúan con el entorno
Visión
Tacto
Audición
OlfatoPatrones
El análisis y reconocimiento de patrones es imprescindible al momento de diseñar Robots
inteligentes.
La visión es el sentido que le proporciona
más información de su entorno.
Visión artificial
Utilizando sensores capaces de proporcionar:
Visión artificial
Captura
La visión artificial, también conocida como visión por computador, es una disciplina de la inteligencia artificial, el propósito de la visión artificial es crear sistemas que puedan interpretar un escenario o bien obtener las características de una imagen.
Permite reducir el problema de una imagen a ciertas formas geométricas, a partir de ellas podemos analizar el problema e intentar comprender ante qué objeto o entorno nos encontramos.
Patrones
¿Qué es?
¿Cuantos objetos hay?
¿Esta lejos o cerca?
Imagen 2D
Escenario
Características Interpretación
Colores
Ubicación espacialImagen 2D
Objeto
¿Qué escenario es el que esta compuesto por todos esos objetos?
Dificultades en la visión artificial
El factor tecnológico es decisivo en los resultados.
Muy sensible a factores externos
Hardware Software
Modelos Algoritmos
Requiere muchos procesos intermedios
Plataformas
Alto rendimiento
Calidad de imagen
Tiempo de respuesta
Implementación
Soluciona problemas específicos
Tasas de acierto
Capacidades del sistema
Visión humana
La retina tiene entre 75 a 150 millones de bastones que son células receptoras de información visual monocroma, y 6 a 7
millones de conos que son células receptoras de tonos y matices color.
800.000 fibras por cada ojo aproximadamente
150 Mega píxeles aproximadamenteen una imagen digital
El numero de interconexiones de los sensores biológicos es superior a 140.000 millones
aproximadamente
Estamos limitados al factor tecnológico disponible, para poder realizar
artificialmente tareas que le son naturales al ojo humano, principalmente por el
volumen de los datos a utilizar
Reconocimiento: puntos, esquinas, planos, objetos, etc..
Ubicación: distancias, ángulos, etc..
Si se quiere interpretar un escenario artificialmente, que esta compuesto por muchos objetos y métricas
Se debe tener caracterizado cada componente del
escenario
Interpretar artificialmente
La forma como se representen los componentes es vital, ya sea por la dimensión de la información, el tipo de caracterización y representación de los mismos, además de tener estructuras y modelos adecuados en los cuales sustentar el sistema
Si nuestro sistema visual, reduce la dimensión de la información que es captada por las células receptoras y enviadas por el nervio óptico al cerebro, un modelo artificial efectivo debería tener las mismas características
Reconocer los objetos que componen la
escena visual
Tema central dela tesis
Objetivo general
Crear un mecanismo de reconocimiento y aprendizaje de formas geométricas bidimensionales representadas por curvas cerradas.
Objetivos específicos
Encontrar una señal que pueda representar una forma en base a su contorno.
Crear un sistema de reconocimiento y aprendizaje de formas que permita una retroalimentación de nuevos patrones.
Objetivos
Desarrollo de la propuesta
Existe un procedimiento inicial que es estándar al momento de estructurar un sistema de reconocimiento, dicho procedimiento esta relacionado principalmente con las aplicaciones que requieren un análisis automatizado de imágenes, a este procedimiento se le llama análisis de imágenes.
1º Objetivo: Encontrar una señal que pueda representar una forma en base a su contorno.
Requisitos de la señal. La representación sea invariante escala, traslación y rotación.
Que entregue información sobre el comportamiento geométrico de la forma.
Que el largo del vector sea relativamente pequeño.
Un patrón en una imagen es una descripción estructural o cuantitativa de un objeto o de alguna otra entidad de interés en una imagen, un patrón está formado por uno o más descriptores.
Patrón de la imagen
Adquisición y preprocesado
Utilización dela API JMF de
Java.
Matriz de una imagen digital Todo los procesosde trabajo de imágenesse basan en la función
bidimensional de entrada
Transformación a nivel de grisEliminación de ruido conel filtro de la mediana
API JavaJAI
El método más común de diferenciación en las aplicaciones de procesado de la imagen es el gradiente.
Gradiente Modulo del gradiente
2/1yx GGFmagf
yx GGf
x
y
G
Gyx 1tan,
Angulo de dirección del gradiente
y
fx
f
G
GF
y
x
Obtención de bordes con filtros diferenciales
Operadores de Sobel.
Los operadores de Sobel tienen la ventaja de proporcionar tanto una diferenciación como un efecto de suavizado.
Derivadas basadas en máscaras de sobel
987
654
321
ZZZ
ZZZ
ZZZ Una región de 3x3 de una determinada imagen (representada en términos de las variables Z, que son las que indican el nivel de gris).
321987 22 zzzzzzGx 741963 22 zzzzzzG y
Donde Z son los niveles de gris de los píxeles solapados por las máscaras en cualquier posición de una imagen.
Una vez que se ha completado el procedimiento en todas las posibles ubicaciones (píxeles de la imagen), el resultado es una imagen gradiente
del mismo tamaño que la imagen original.
121
000
121
101
202
101
Mascaras de Sobel
Umbralización binaria
Para realizar la binarización, basta con explorar todos los puntos de la imagen y determinar que puntos corresponderían al objeto y cuales al fondo.
TyxfSi
TyxfSi
yxg
),(0
),(1
),(
Entonces los píxeles etiquetados con 1 (o cualquier otro nivel de intensidad conveniente) corresponden a los objetos, mientras que los píxeles etiquetados con 0 corresponden al fondo.
Representación de las formas
La etapa de representación esta dividida en dos etapas:
Seleccionar puntos característicos del contorno
Obtención del código de la cadena del borde
Seleccionar puntos característicos del contorno
Se carga la matriz binaria
Seleccionar el primer píxel con valor 1 y guardar posición e iniciar
rotación en (x-1,y-1).
Recorrer los píxeles vecinos en sentido delas agujas del reloj, hasta encontraruno con valor 1 y guardar posición.
Ubicarse en el píxel opuesto + 1 variación, de la ultima posición
guardada
La posición del píxel es la misma que elpíxel inicial.
No Si
Terminar recorrido
Puntos del borde
Interpolar
Puntos característicos del contorno
Obtener código de cadena
Representa un contorno por medio de una sucesión conexa de
segmentos de longitud y dirección especificadas.
[1.0 - 2.0 - 3.0 - 5.0 - 7.0 - 7.0 - 7.0 - 7.0 - 6.0 - 4.0 - 3.0 - 3.0 - 3.0 - 3.0 - 4.0 - 4.0 - 5.0 - 8.0 - 8.0 - 9.0 -10.0 -10.0 - 11.0 -11.0 - 12.0 - 12.0 - 12.0 - 11.0 - 9.0 - 9.0 - 9.0 - 9.0 - 10.0 - 11.0 - 12.0 - 13.0 - 13.0 -14.0 - 14.0 - 1.0 - 1.0 - 1.0 - 1.0 - 16.0 - 14.0 - 13.0 - 1.0 - 2.0 - 16.0 - 16.0]
Según el valor del ángulo formado entre dos puntos se le asignó un número entero entre 1 y 16, cada variación (arco) tiene un ángulo de 22.5 grados.
Se fijo en 50 el numero de puntos que representara al contorno.
Descripción
Para la descripción se realizaron los siguientes pasos:
Generar el código de cadena circular a partir del código de cadena.
Normalizar las características de la señal que representa al contorno, de tal manera que la señal obtenida represente a las
formas invariantes a rotación, escala y traslación.
Generar el código de cadena circular a partir del código de cadena.
El Código de la cadena circular de un contorno se define como las veces en que varia la dirección.
[1.0 - 1.0 - 2.0 - 2.0 - 0.0 - 0.0 - 0.0 - 15.0 - 14.0 - 15.0 - 0.0 - 0.0 - 0.0 - 1.0 - 0.0 - 1.0 - 3.0 - 0.0 – 1.0 - 1.0 - 0.0 - 1.0 - 0.0 - 1.0 - 0.0 - 0.0 - 15.0 - 14.0 - 0.0 - 0.0 - 0.0 - 1.0 - 1.0 - 1.0 - 1.0 - 0.0 - 1.0 – 0.0 - 3.0 - 0.0 - 0.0 - 0.0 - 15.0 - 14.0 - 15.0 - 4.0 - 1.0 - 14.0 - 0.0 - 1.0 ]
[1.0 - 2.0 - 3.0 - 5.0 - 7.0 - 7.0 - 7.0 - 7.0 - 6.0 - 4.0 - 3.0 - 3.0 - 3.0 - 3.0 - 4.0 - 4.0 - 5.0 - 8.0 - 8.0 - 9.0 -10.0 -10.0 - 11.0 -11.0 - 12.0 - 12.0 - 12.0 - 11.0 - 9.0 - 9.0 - 9.0 - 9.0 - 10.0 - 11.0 - 12.0 - 13.0 - 13.0 -14.0 - 14.0 - 1.0 - 1.0 - 1.0 - 1.0 - 16.0 - 14.0 - 13.0 - 1.0 - 2.0 - 16.0 - 16.0]
Código de la cadena
Código de cadena circular - VPC
Si a la misma figura le aplicamos cambios de la escala, traslación o rotación, el código de cadena circular solo tendría variaciones en lo que respecta a la traslación de la señal, con pocas perturbaciones en su recorrido.
Normalizar las características de la señal
Se utilizó la transformada discreta de Fourier, tomando como señal de entrada el código de cadena circular (VPC).
1,...2,1,0,exp1
21
0
Nwks
NksFwF
wkN
jN
k
1,...2,1,0,exp
21
0
NwksksFwF
wkN
jN
k
Se realizo un cambio en la ecuación
Original
Utilizada
1
0
2
1,...2,1,0,exp1 N
w
wkN
j
NkwFN
ks
Inversa
Entrada )()( kVPCkS
1
0
1)()0(N
k
kSF Suma de las variaciones internas
Suma de los ángulos internos de la forma
=
Señales obtenidas al normalizar la señal VPC.
Formas y el espectro de magnitudes de la DFT-VPC.
Proceso realizado en cumplimiento del primer objetivo
2º Objetivo: Crear un sistema de reconocimiento y aprendizaje de formas que permita una retroalimentación de nuevos patrones.
Se diseño una red compuesta por dos redes neuronales, una del tipo Kohonen TMP (Topologic – Preserving - Map) y una del tipo perceptron multicapa, la red Kohonen estaría encargada de excitar el grupo de neuronas que corresponden a un clase determinada además de entregar el valor de normalización de la señal entrada, y la red perceptron multicapa de reconocer los patrones específicos.
Sistema de reconocimiento con arquitectura neuronal
¿Por qué redes neuronales y no computo clásico?
Las RNA no ejecutan instrucciones, responden en paralelo a las entradas que se les presenta.
El conocimiento de una red neuronal no se almacena en instrucciones.
El poder de la red está en su topología y en los valores de las conexiones (pesos) entre neuronas.
Son modelos basados en la biología
Son aproximadores funcionales universales.
Intentan reproducir el comportamiento del cerebro
Inteligencia artificial mas cercana a lo real
Comparación entre las neuronas biológicas y las unidades de proceso artificiales
Redes Neuronales Biológicas Redes Neuronales Artificiales
Neuronas Unidades de proceso
Conexiones sinápticas Conexiones ponderadas
Efectividad de las sinápsis Peso de las conexiones
Efecto excitatorio o inhibitorio de una conexión Signo del peso de una conexión
Efecto combinado de las sinápsis Función de propagación o de red
Activación -> tasa de disparo Función de activación -> Salida
Mecanismo de Aprendizaje
Es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una información de entrada.
Los cambios que se producen durante el proceso de aprendizaje se reducen a destrucción, modificación y creación de conexiones entre las neuronas.
La creación de una nueva conexión implica que el peso de la misma pasa a
tener un valor distinto de cero
Una conexión se destruye cuando su peso pasa a ser cero
Cuando los valores de los pesos permanecen estables 0dtdwijLa red aprende
Modelo propuesto, Red neuronal KPR
Red de perceptrones Red neuronal Kohonen TPM+
Red neuronal KPR
Almacenan la información de cada patrón, y estas neuronas se activan cuando un patrón de entrada es similar al almacenado.
Encargada de activar el grupo de neuronas que corresponden a un clase determinada además de entregar el valor de normalización de la señal DFT-VPC
Ordena topológicamente los patrones en un espacio bidimensional.
A medida que se le presentan nuevos patrones la red,una vez entrenada, cuando aprende, la red modifica la estructura de sus conexiones
Neuron Volume 47, Issue 2, 21 Julio 2005, páginas 267-280.
Existen evidencias que demuestran que en el cerebro hay neuronas que se organizan en muchas zonas, de forma que las informaciones captadas por los órganos sensoriales se representan internamente en forma de mapas bidimensionales.
Las ecuaciones de Kohonen han sido comprobadas experimentalmente por científicos del MIT.
Arquitectura de la red neuronal Kohonen TPM
Conexiones laterales
Entradas
Salidas
Pesos de lasconexiones
Conexionesauto recurrentes
Mapa bidimensional
Datos topológicos de las formas
Trata de establecer una correspondencia entre los datos de entrada y un espacio bidimensional de salida
Ante datos con características comunes se activen neuronas situadas en zonas próximas de la capa de salida
Funcionamiento de la red de Kohonen
),...,( 1kN
kk eeE
Presentar información de entrada
Las neuronas de la capa de salida reciben la información
A través de las conexiones hacia delante con los pesos de
cada conexión
A través de las conexiones laterales del resto de las
neuronas
La red evoluciona hasta encontrar una situación estable en la que se activa una neurona de salida, esta es la Vencedora
Una vez encontrada la vencedora, los pesos se actualizan, no sólo para la vencedora, sino para todas las de su entorno
Funcionamiento de la red de Kohonen
j
kESalida generada por una neurona
ante un vector de entrada
N
i
M
pppj
kijij tSIntewftS
1 1
)()1(
2
2
2jpd
e
I nteracción Lateral
Distancia entre neuronas
Gaussiana
pjInt =
jpdDistancia de la neurona j a la neurona p
Factor que decrece encada iteración
Red del tipo competitivo
Otra formulación
resto
weMINWEMIN
S
N
iji
kijk
j
0
11
2
Entrenamiento de la RED
Algoritmo de aprendizaje Kohonen
Inicializar los pesos W con valores aleatorios pequeños y se fija la zona inicial de vecindad
entre las neuronas de salida.
Presentar a la red la información de entrada (la que a debe aprender).
),...,( 1KN
kk eeE
Determinar la neurona ganadora,en función de la distancia de los
vectores E y W, gana la mas cercana.
Se actualizan los pesos de las conexiones entre las neuronas de entrada y la neurona ganadora J* , así como los de las conexiones entre las de entrada y las neuronas vecinas de la vencedora
)()()()1( * twettwtwij
kijiji
Un parámetro de ganancia o coeficiente de aprendizaje, con un valor entre 0 y 1, decrece con el número de iteraciones t
t1
)(
10000500 t
t es el numero de iteración
Zonas de vecindad
Implementación del modelo Kohonen TPM
Entradas Datos topológicos de las formas
Primer elemento de la DFT-VPC
Suma aproximada de los ángulos internos de la forma
Compacidad circular 2
4P
AC
A = Área
P = Perímetro
PropósitoQue la red pueda establecer vectores prototipo que estén ubicados en los centroides o centros de gravedad de cierto
conjunto de patrones
Establece una relación entre los patrones almacenados y las características en común
de las formas
2P
A
La compacidad es aquello que manifiesta la calidad de compacto. El adjetivo compacto representa una masa muy unida, en una forma seria que tan juntos se encuentran los puntos que la componen.
Compacidad En un circulo
22
2
4 r
r
4
1 Al normalizar para un circulo
0 1
10
63
12
92
1514
2120
18 1911 1713
7
16
4 85
Conjunto de entrenamiento
Mapa topológico
Compacidadcircular
416)0(F
416 es el factor normalización inicial
En una figura con 50 vértices la sumatoria de los
ángulos internos es de 9360º
9360º/22.5º = 416
2
0
)(
SK
jiki
N
ii
pweT
Reconocimiento de patrones específicos
jNet =
Ecuación propuesta para el reconocimiento de los patrones
j
Factor de normalización
Factor que transforma el elemento a su valor originalFactor de importancia
del elemento i de la señal entrada.
Entradas de la red
Pesos asociados a la neurona j
Neuronas j que pertenecen a la clase activada por la red Kohonen
Se asigno experimentalmente
Peso de la conexión lateral enviada por la red Kohonen (elemento prototipo de la
suma de ángulos internos)
416
Patrones de figurasalmacenadas
Patrón k a reconocer
Modelo neuronal propuesto para el reconocimiento especifico de patrones
kE0kiE
kNE
0S
MS
2S
1S
sk
S
jiw
0T iT NT
Red de perceptrones
M = nº patrones que pertenecen a una clase -1 N = Largo del vector de entrada -1
Modelo propuesto, Red neuronal KPR
Demostración experimental
Conclusiones
Los dos objetivos específicos que se plantearon en este trabajo de tesis,
se cumplieron íntegramente.
Encontrar una señal que pueda representar una forma en base a
su contorno.
Crear un sistema de reconocimiento y aprendizaje de
formas que permita una retroalimentación de nuevos
patrones.
Cumplimiento de objetivos planteados
Red Neuronal KPR Señal DFT-VPC
No sólo basta con trabajar con la teoría, se debe acompañar la
investigación con etapas de experimentación
Nos limitaría a las observaciones indicadas
por los autores
No se podría comprender a cabalidad las debilidades y
ventajas que contienen
No realizar experimentos
Para poder sustentar cualquier afirmación frente a un modelo o alguna teoría especialmente en el área de la Ciencia de la Computación debe existir una etapa de
experimentación
Conclusiones
El termino F(0) de la DFT-VPC va con este
error
DebilidadesEl método propuesto no es capaz de reconocer la totalidad de las formas
correctamente Característica de un sistema heurístico
El sistema no entrega cual es el mas parecido, si no el que el cree que es
el mas parecido
Normal
Causas técnicas
Produce errores en la clasificación de los conjuntos que son representados por el
vector de código de la cadena
Especialmente en las diagonales
Produce distorsiones en código de cadena
Resolución de la imagen
Efecto escalón
Error en la aproximación de la suma de ángulos internos
Producido en el proceso de interpolación
En las figuras no regulares o amorfas este
error aumentaconsiderablemente
No se establecen de forma exacta cuántos vértices tiene la
figura realmente
La señal DFT-VPC va con un grado de
distorsión
Influye en la ubicación de los patrones en el
mapa topológico
Ventajas
Tiempo de respuesta y tasas de acierto aceptables para la
complejidad del problema
Implementación
Al utilizar hilos, los tiempos de computo en los procesos neuronales asociados al reconocimiento especifico de patrones es muy rápido
Cada neurona trabajaba de forma independiente al momento de procesar la información
El patrón de cada figura es de largo 25, lo cual reduce considerablemente el espacio en memoria que se utiliza en el reconocimiento
La forma bidimensional es representado de manera unidimensional
VentajasModelo KPR
Capaz de reconocer patrones
La industria
Si el objetivo es clasificar o detectar fallas en ciertos productos, por ejemplo botellas defectuosas, piezas de construcción, etc.
Educación preescolar
Apoyo didáctico al momento de enseñar contenidos relacionados con la geometría de las figuras regulares
Militar
La gama de aplicación donde se puede
implementar es muy amplia
Reconocer mapas y formas especificas
Reconocimiento de voz
Medicina
Especialmente en procesos de diagnostico de enfermedades o anomalías que puedan ser identificadas utilizando datos, etc.
Resolución y calidad de las imágenes
Profundizar en los algoritmos de renderizado para mejorar la calidad de la
imagen y aumentar las resoluciones de las imágenes en la etapa de preprocesado
El modelo propuesto nos da una base teórica y experimental sólida en la cual implementar mejoras
Trabajo futuro
Mejoras al método
Clasificación de los conjuntos en el código de cadena
Ángulos (A)
Per
tene
ncia
Implementar conjuntos difusos, lo cual permitiría establecer las relaciones que tiene cada conjunto con el conjunto anterior y de esta manera la máquina podría establecer de manera más eficiente la elección de pertenencia de cada vector formado por dos puntos del contorno
0º 360º22.5º
45º
67.5º
1 2 3 4 5 76 8 9 10 11 12 13 14 15 16 1
Si lo fusionamos con un modelo neuronal que sólo se dedique a entregar como salida la pertenencia de un cierto vector según su dirección y sentido en base al historial del comportamiento de varios puntos, el proceso de generación del código de cadena tendría una tasa de error más baja
A este tipo de modelos se les conoce por el nombre redes neuronales difusas
U(A)
0
1
Mejoras al método
Establecer una mejor aproximación o exacta de cuántos vértices tiene la figura realmente
Diseñar un procedimiento posterior al obtener el borde con las mascaras de Sobel, y se determine que hay un vértice cuando se agrupen muchos píxeles pertenecientes al borde, dentro de una zona definida por un circunferencia
Establecer un tercer parámetro el cual sirva para crear un mapa de tres dimensiones lo cual nos permitiría una mejor preclasificación de
los patrones.
Mejora al mapa topológico
Trabajo futuro
Implementar un brazo robot que pueda interactuar con el humano
A través ordenes enviadas con patrones que se presenten a través de un sensor
visual incorporado en el brazo
Ayudar a minusvalidos en tareas simples, como traer un objeto determinado, marcar un número telefónico, etc.
Juegos interactivos, como es el caso de jugar ajedrez con
un robot
Implementación en robótica
La inspiración de este trabajo, fue la robótica en lo que concierne a los procesos de visión y las capacidades que se le puedan dar a una maquina en este sentido, si bien el sistema no es capaz de reconocer todas las características y objetos que componen a una escena visual al no estar aisladas las formas , esta propuesta puede ser utilizada como base para poder lograr este objetivo en proyectos futuros y con lo presentado en este trabajo de tesis el tema queda abierto para futuras investigaciones en este sentido.
“Si no eres parte de la solución, eres parte del problema”Anónimo
Hace 20 años tener robot con niveles de inteligencia capaces de interactuar con el humano imitando algunos procesos que nos son cotidianos, como por ejemplo el poder reconocer e interpretar escenarios visuales, era parte de la ciencia ficción, pero con los avances actuales de la Inteligencia Computacional (IC) esto es ya una realidad, y según muchos expertos en el tema, el estudio de la IC especialmente de la Neuro Computación en el siglo XXI será como lo fue el estudio del átomo en el siglo pasado.
Consultas
?