Clasificación de Flores con Redes Neuronales Convolucionales
RESUMEN : En los últimos años las redes neuronales artificiales (ANN) han tenido un crecimiento muy importante dentro del área de aprendizaje automático gracias a los avances tecnológicos. Generación de grandes bases de datos, mejores modelos y nuevas ideas para el mejoramiento continuo de los difer...
- Autores:
-
Aljure Jiménez, Yalila
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2021
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/24683
- Acceso en línea:
- http://hdl.handle.net/10495/24683
- Palabra clave:
- Redes neurales (computadores)
Neural networks (Computer science)
Aprendizaje automático (inteligencia artificial)
Machine learning
Análisis de imágenes
Image analysis
Redes neuronales convolucionales
Clasificación de imágenes
http://aims.fao.org/aos/agrovoc/c_36762
- Rights
- openAccess
- License
- http://creativecommons.org/publicdomain/zero/1.0/
| id |
UDEA2_594c232bc324c3904095db60ead9521a |
|---|---|
| oai_identifier_str |
oai:bibliotecadigital.udea.edu.co:10495/24683 |
| network_acronym_str |
UDEA2 |
| network_name_str |
Repositorio UdeA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Clasificación de Flores con Redes Neuronales Convolucionales |
| title |
Clasificación de Flores con Redes Neuronales Convolucionales |
| spellingShingle |
Clasificación de Flores con Redes Neuronales Convolucionales Redes neurales (computadores) Neural networks (Computer science) Aprendizaje automático (inteligencia artificial) Machine learning Análisis de imágenes Image analysis Redes neuronales convolucionales Clasificación de imágenes http://aims.fao.org/aos/agrovoc/c_36762 |
| title_short |
Clasificación de Flores con Redes Neuronales Convolucionales |
| title_full |
Clasificación de Flores con Redes Neuronales Convolucionales |
| title_fullStr |
Clasificación de Flores con Redes Neuronales Convolucionales |
| title_full_unstemmed |
Clasificación de Flores con Redes Neuronales Convolucionales |
| title_sort |
Clasificación de Flores con Redes Neuronales Convolucionales |
| dc.creator.fl_str_mv |
Aljure Jiménez, Yalila |
| dc.contributor.advisor.none.fl_str_mv |
Botia Valderrama, Javier Fernando |
| dc.contributor.author.none.fl_str_mv |
Aljure Jiménez, Yalila |
| dc.subject.lemb.none.fl_str_mv |
Redes neurales (computadores) Neural networks (Computer science) Aprendizaje automático (inteligencia artificial) Machine learning |
| topic |
Redes neurales (computadores) Neural networks (Computer science) Aprendizaje automático (inteligencia artificial) Machine learning Análisis de imágenes Image analysis Redes neuronales convolucionales Clasificación de imágenes http://aims.fao.org/aos/agrovoc/c_36762 |
| dc.subject.agrovoc.none.fl_str_mv |
Análisis de imágenes Image analysis |
| dc.subject.proposal.spa.fl_str_mv |
Redes neuronales convolucionales Clasificación de imágenes |
| dc.subject.agrovocuri.none.fl_str_mv |
http://aims.fao.org/aos/agrovoc/c_36762 |
| description |
RESUMEN : En los últimos años las redes neuronales artificiales (ANN) han tenido un crecimiento muy importante dentro del área de aprendizaje automático gracias a los avances tecnológicos. Generación de grandes bases de datos, mejores modelos y nuevas ideas para el mejoramiento continuo de los diferentes algoritmos. Una de las formas más utilizadas de las ANN son las redes neuronales convolucionales (CNN), las cuales son utilizadas generalmente para la clasificación de imágenes. Este documento busca clasificar una base de datos que contiene imágenes de cinco clases de flores, utilizando tres arquitecturas de CNN muy conocidas: VGGNet, Xception y DenseNet. Los resultaron mostraron que la arquitectura Xception generaba los mejores resultados de clasificación alcanzando una exactitud de 0.803, una precisión de 0.8201 y una sensibilidad de 0.7798. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-12-09T15:21:30Z |
| dc.date.available.none.fl_str_mv |
2021-12-09T15:21:30Z |
| dc.date.issued.none.fl_str_mv |
2021 |
| dc.type.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Especialización |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_46ec |
| dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/COther |
| dc.type.coarversion.spa.fl_str_mv |
http://purl.org/coar/version/c_b1a7d7d4d402bcce |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/other |
| dc.type.version.spa.fl_str_mv |
info:eu-repo/semantics/draft |
| format |
http://purl.org/coar/resource_type/c_46ec |
| status_str |
draft |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/10495/24683 |
| url |
http://hdl.handle.net/10495/24683 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/publicdomain/zero/1.0/ |
| dc.rights.uri.spa.fl_str_mv |
https://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/publicdomain/zero/1.0/ https://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.extent.spa.fl_str_mv |
49 |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Universidad de Antioquia |
| dc.publisher.place.spa.fl_str_mv |
Medellín |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería. Especialización en Analítica y Ciencia de Datos |
| institution |
Universidad de Antioquia |
| bitstream.url.fl_str_mv |
https://bibliotecadigital.udea.edu.co/bitstreams/1c3c8400-c4c6-4c88-84ba-1daaabac10df/download https://bibliotecadigital.udea.edu.co/bitstreams/1b9aef1d-d420-4d2a-9f00-013a26b05038/download https://bibliotecadigital.udea.edu.co/bitstreams/a2458ea1-4528-4636-808d-412d2ddfcff2/download https://bibliotecadigital.udea.edu.co/bitstreams/f10c73e1-eea7-438d-bb49-0dd370242976/download https://bibliotecadigital.udea.edu.co/bitstreams/60685c7d-b312-4a71-ae07-493d461b6617/download |
| bitstream.checksum.fl_str_mv |
e3e593ef893c5185aab430e2de80b287 fd0548b8694973befb689f3e7a707f1d 8a4605be74aa9ea9d79846c1fba20a33 214737d79162e45bb19476fbea77cd99 7d8e1c2792d788780f0920f9ffcc82a7 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional de la Universidad de Antioquia |
| repository.mail.fl_str_mv |
aplicacionbibliotecadigitalbiblioteca@udea.edu.co |
| _version_ |
1851052403013451776 |
| spelling |
Botia Valderrama, Javier FernandoAljure Jiménez, Yalila2021-12-09T15:21:30Z2021-12-09T15:21:30Z2021http://hdl.handle.net/10495/24683RESUMEN : En los últimos años las redes neuronales artificiales (ANN) han tenido un crecimiento muy importante dentro del área de aprendizaje automático gracias a los avances tecnológicos. Generación de grandes bases de datos, mejores modelos y nuevas ideas para el mejoramiento continuo de los diferentes algoritmos. Una de las formas más utilizadas de las ANN son las redes neuronales convolucionales (CNN), las cuales son utilizadas generalmente para la clasificación de imágenes. Este documento busca clasificar una base de datos que contiene imágenes de cinco clases de flores, utilizando tres arquitecturas de CNN muy conocidas: VGGNet, Xception y DenseNet. Los resultaron mostraron que la arquitectura Xception generaba los mejores resultados de clasificación alcanzando una exactitud de 0.803, una precisión de 0.8201 y una sensibilidad de 0.7798.EspecializaciónEspecialista en Analítica y Ciencia de Datos49application/pdfspaUniversidad de AntioquiaMedellínFacultad de Ingeniería. Especialización en Analítica y Ciencia de Datoshttp://creativecommons.org/publicdomain/zero/1.0/https://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Clasificación de Flores con Redes Neuronales ConvolucionalesTesis/Trabajo de grado - Monografía - Especializaciónhttp://purl.org/coar/resource_type/c_46echttp://purl.org/redcol/resource_type/COtherhttp://purl.org/coar/version/c_b1a7d7d4d402bcceinfo:eu-repo/semantics/otherinfo:eu-repo/semantics/draftRedes neurales (computadores)Neural networks (Computer science)Aprendizaje automático (inteligencia artificial)Machine learningAnálisis de imágenesImage analysisRedes neuronales convolucionalesClasificación de imágeneshttp://aims.fao.org/aos/agrovoc/c_36762PublicationORIGINALAljureYalila_2021_ClasificacionImagenesFlores.pdfAljureYalila_2021_ClasificacionImagenesFlores.pdfapplication/pdf1939251https://bibliotecadigital.udea.edu.co/bitstreams/1c3c8400-c4c6-4c88-84ba-1daaabac10df/downloade3e593ef893c5185aab430e2de80b287MD51trueAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8712https://bibliotecadigital.udea.edu.co/bitstreams/1b9aef1d-d420-4d2a-9f00-013a26b05038/downloadfd0548b8694973befb689f3e7a707f1dMD52falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://bibliotecadigital.udea.edu.co/bitstreams/a2458ea1-4528-4636-808d-412d2ddfcff2/download8a4605be74aa9ea9d79846c1fba20a33MD53falseAnonymousREADTEXTAljureYalila_2021_ClasificacionImagenesFlores.pdf.txtAljureYalila_2021_ClasificacionImagenesFlores.pdf.txtExtracted texttext/plain75001https://bibliotecadigital.udea.edu.co/bitstreams/f10c73e1-eea7-438d-bb49-0dd370242976/download214737d79162e45bb19476fbea77cd99MD54falseAnonymousREADTHUMBNAILAljureYalila_2021_ClasificacionImagenesFlores.pdf.jpgAljureYalila_2021_ClasificacionImagenesFlores.pdf.jpgGenerated Thumbnailimage/jpeg6140https://bibliotecadigital.udea.edu.co/bitstreams/60685c7d-b312-4a71-ae07-493d461b6617/download7d8e1c2792d788780f0920f9ffcc82a7MD55falseAnonymousREAD10495/24683oai:bibliotecadigital.udea.edu.co:10495/246832025-03-26 21:47:45.365http://creativecommons.org/publicdomain/zero/1.0/open.accesshttps://bibliotecadigital.udea.edu.coRepositorio Institucional de la Universidad de Antioquiaaplicacionbibliotecadigitalbiblioteca@udea.edu.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 |