Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales

Este estudio compara cinco métodos de explicabilidad (Grad-CAM, Grad-CAM++, HeatMap, Masked y LIME) para interpretar las decisiones de dos redes neuronales entrenadas en clasificación de tumores cerebrales (meningioma, glioma, tumor pituitario y control) en imágenes de resonancia magnética. Desarrol...

Full description

Autores:: López Arredondo, Franz
Camargo Espinosa, Juan Felipe

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2024

Institución:: Universidad de Ibagué

Repositorio:: Repositorio Universidad de Ibagué

Idioma:: spa

id	UNIBAGUE2_3e8c52d0d8fb09268f39f4d18d8c7e94
oai_identifier_str	oai:repositorio.unibague.edu.co:20.500.12313/4657
network_acronym_str	UNIBAGUE2
network_name_str	Repositorio Universidad de Ibagué
repository_id_str
dc.title.spa.fl_str_mv	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales
title	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales
spellingShingle	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales Redes neuronales Tumores cerebrales Resonancia magnética Explicabilidad Redes neuronales Tumores cerebrales Grad-CAM Visual Transformers Deep Learning Resonancia magnética Explainability Neural networks Brain tumors Grad-CAM Visual Transformers MRI
title_short	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales
title_full	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales
title_fullStr	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales
title_full_unstemmed	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales
title_sort	Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales
dc.creator.fl_str_mv	López Arredondo, Franz Camargo Espinosa, Juan Felipe
dc.contributor.advisor.none.fl_str_mv	Forero Vargas, Manuel Guillermo
dc.contributor.author.none.fl_str_mv	López Arredondo, Franz Camargo Espinosa, Juan Felipe
dc.contributor.jury.none.fl_str_mv	Betancourt Lozano, Juan Jose
dc.subject.armarc.none.fl_str_mv	Redes neuronales Tumores cerebrales Resonancia magnética
topic	Redes neuronales Tumores cerebrales Resonancia magnética Explicabilidad Redes neuronales Tumores cerebrales Grad-CAM Visual Transformers Deep Learning Resonancia magnética Explainability Neural networks Brain tumors Grad-CAM Visual Transformers MRI
dc.subject.proposal.spa.fl_str_mv	Explicabilidad Redes neuronales Tumores cerebrales Grad-CAM Visual Transformers Deep Learning Resonancia magnética
dc.subject.proposal.eng.fl_str_mv	Explainability Neural networks Brain tumors Grad-CAM Visual Transformers MRI
description	Este estudio compara cinco métodos de explicabilidad (Grad-CAM, Grad-CAM++, HeatMap, Masked y LIME) para interpretar las decisiones de dos redes neuronales entrenadas en clasificación de tumores cerebrales (meningioma, glioma, tumor pituitario y control) en imágenes de resonancia magnética. Desarrollado en la Universidad de Ibagué, el proyecto integra herramientas avanzadas en procesamiento de imágenes y redes neuronales EfficientNet y Visual Transformers para mejorar la explicabilidad en el diagnóstico automatizado. Utilizando una base de datos de 10,000 imágenes por clase y técnicas de aumento de datos, se analizan los métodos en términos de exactitud, explicabilidad y facilidad de uso, revelando que Grad-CAM y Grad-CAM++ son más efectivos en la localización precisa de características, mientras que LIME, Masked y HeatMap destacan en representaciones globales. La investigación culmina con una aplicación interactiva que facilita la comparación de métodos, promoviendo la transparencia y confianza en IA para diagnósticos médicos.
publishDate	2024
dc.date.issued.none.fl_str_mv	2024
dc.date.accessioned.none.fl_str_mv	2025-01-31T14:24:44Z
dc.date.available.none.fl_str_mv	2025-01-31T14:24:44Z
dc.type.none.fl_str_mv	Trabajo de grado - Pregrado
dc.type.coar.none.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
dc.type.content.none.fl_str_mv	Text
dc.type.driver.none.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.redcol.none.fl_str_mv	http://purl.org/redcol/resource_type/TP
dc.type.version.none.fl_str_mv	info:eu-repo/semantics/acceptedVersion
format	http://purl.org/coar/resource_type/c_7a1f
status_str	acceptedVersion
dc.identifier.citation.none.fl_str_mv	López Arredondo, F. & Camargo Espinosa, J, F. (2024). Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4657
dc.identifier.uri.none.fl_str_mv	https://hdl.handle.net/20.500.12313/4657
identifier_str_mv	López Arredondo, F. & Camargo Espinosa, J, F. (2024). Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4657
url	https://hdl.handle.net/20.500.12313/4657
dc.language.iso.none.fl_str_mv	spa
language	spa
dc.relation.references.none.fl_str_mv	Chattopadhay, A., Sarkar, A., Howlader, P., & Balasubramanian, N. (2018). Grad-cam++: Generalized gradient-based visual explanations for deep convolutional networks. In 2018 IEEE winter conference on applications of computer vision (WACV) (pp. 839-847). IEEE. DataScientest. (2023). ¿Qué es el método Grad-CAM? https://datascientest.com/es/que-es-el-metodo-grad-cam DataScientest. (2024). What is the Grad-CAM method? https://datascientest.com/en/what-is-the-grad-cam-method Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An image is worth 16x16 words: Transformers for image recognition at scale. Google Research, Brain Team. https://arxiv.org/abs/2010.1192 Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zisserman, A. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929. https://arxiv.org/abs/2010.11929 Dosovitskiy, A., & Brox, T. (2016). Inverting visual representations with convolutional networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(2), 302-313. https://doi.org/10.1109/TPAMI.2015.2444057 Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. Grad-CAM++: Generalized Gradient-Based Visual Explanations for Deep Convolutional Networks. (2018, marzo 1). IEEE Conference Publication \| IEEE Xplore. https://ieeexplore.ieee.org/document/8354201 Hopkins Medicine. (2024). Tipos de tumores cerebrales. Obtenido de https://www.hopkinsmedicine.org/health/conditions-and-diseases/brain-tumor/brain-tumor-types 107 Hu, J., Shen, L., Albanie, S., Pablo, G., & Sun, G. (2018). Squeeze-and-excitation networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7132-7141. https://openaccess.thecvf.com/content_cvpr_2018/html/Hu_Squeeze-and-Excitation_Networks_CVPR_2018_paper.html Instituto de Ingeniería del Conocimiento et al. (2024). Confianza e interés en la aplicación de la IA en el sector salud. https://www.iic.uam.es/lasalud/confianza-e-interes-en-la-aplicacion-de-la-ia-en-el-sector-salud/ Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., & Zhang, Z. (2021). Swin Transformer: Hierarchical vision transformer using shifted windows. In Proceedings of the IEEE International Conference on Computer Vision (ICCV). https://arxiv.org/abs/2103.14030 Mayo Clinic. (2024). Glioma: síntomas y causas. https://www.mayoclinic.org/es/diseases-conditions/glioma/symptoms-causes/syc-20350251 Mayo Clinic. (2024). Meningioma: síntomas y causas. Obtenido de https://www.mayoclinic.org/es/diseases-conditions/meningioma/symptoms-causes/syc-20355643 Mayo Clinic. (2024). Tumores de la hipófisis: síntomas y causas. Obtenido de https://www.mayoclinic.org/es/diseases-conditions/pituitary-tumors/symptoms-causes/syc-20350548 PyTorch. (sf). Learn the Basics. PyTorch Tutorials. https://pytorch.org/tutorials/beginner/nn_tutorial.htm Ribeiro, T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?” Explaining the predictions of any classifier. SIGKDD. Selvaraju, R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE International Conference on Computer Vision (pp. 618-626). Szeliski, R. (2011). Computer vision: Algorithms and applications. Springer Science & Business Media. Stanford University. (2024). CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.stanford.edu. Tan, M., & Le, V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. Proceedings of the 36th International Conference on Machine Learning, 97, 6105-6114. https://proceedings.mlr.press/v97/tan19a.html TensorFlow. (2023). Convolutional Neural Networks. Obtenido de https://www.tensorflow.org/tutorials/images/cnn Tomas, H. (2023). Inteligencia artificial y medicina: avances y aplicaciones. https://www.20minutos.es/tecnologia/aplicaciones/inteligencia-artificial-medicina-avances-aplicaciones-5106130/ Vaswani, A., Shardlow, S., Parmar, N., Uszkoreit, J., Jones, L., Gomez, N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems (Vol. 30). https://arxiv.org/abs/1706.03762 Visani, G., Bagli, E., & Chesani, F. (2020). OptiLIME: Optimized LIME Explanations for Diagnostic Computer Algorithms. AIMLAI Workshop @ CIKM. Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning deep features for discriminative localization. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2921-2929).
dc.rights.accessrights.none.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.coar.none.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.license.none.fl_str_mv	Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)
dc.rights.uri.none.fl_str_mv	https://creativecommons.org/licenses/by-nc/4.0/
eu_rights_str_mv	openAccess
rights_invalid_str_mv	http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0) https://creativecommons.org/licenses/by-nc/4.0/
dc.format.extent.none.fl_str_mv	123 páginas
dc.format.mimetype.none.fl_str_mv	application/pdf
dc.publisher.none.fl_str_mv	Universidad de Ibagué
dc.publisher.faculty.none.fl_str_mv	Ingenieria
dc.publisher.place.none.fl_str_mv	Ibagué
dc.publisher.program.none.fl_str_mv	Ingeniería Electrónica
publisher.none.fl_str_mv	Universidad de Ibagué
institution	Universidad de Ibagué
bitstream.url.fl_str_mv	https://repositorio.unibague.edu.co/bitstreams/58517389-1854-4f91-b555-f12660d74f03/download https://repositorio.unibague.edu.co/bitstreams/99f8220d-18d5-43bb-afcb-167f322f070e/download https://repositorio.unibague.edu.co/bitstreams/c9e267b0-2ca8-4140-b4e0-57f67d1a32f9/download https://repositorio.unibague.edu.co/bitstreams/c8eacdfc-da4e-4aff-adbd-efcd94cd1114/download https://repositorio.unibague.edu.co/bitstreams/a5f1ca50-ea01-41b3-acf8-740f2684f7f8/download https://repositorio.unibague.edu.co/bitstreams/1d581477-dd66-45ab-842c-72e6f3fc6449/download https://repositorio.unibague.edu.co/bitstreams/340ba51d-46d9-4b80-ac88-c3e45c898bbd/download
bitstream.checksum.fl_str_mv	93757ee609b74971e41f0d3034edb241 38e15d02958b247ad08bc226d30d4f1c 5eeb65477312dd347ed8b40b6c640624 3a1acc11ae720b026d4e6b0ddeb2fa2c 0044bfe75c127ce6ee1c5b319217abb8 a29b134a79e7b45d6331bd2bc2c05949 2fa3e590786b9c0f3ceba1b9656b7ac3
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5 MD5 MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional Universidad de Ibagué
repository.mail.fl_str_mv	bdigital@metabiblioteca.com
_version_	1851059953119264768
spelling	Forero Vargas, Manuel Guillermo187e7d0d-8326-49bc-8824-d0c7660437b7-1López Arredondo, Franz2328091a-f764-4a42-8aed-71cf798d5ed3-1Camargo Espinosa, Juan Felipea0e3e11c-5d0e-4d10-bdb0-75c26f2f99a0-1Betancourt Lozano, Juan Josede7d3b5f-e268-40c3-bb5f-8e90fc7f10d0-12025-01-31T14:24:44Z2025-01-31T14:24:44Z2024Este estudio compara cinco métodos de explicabilidad (Grad-CAM, Grad-CAM++, HeatMap, Masked y LIME) para interpretar las decisiones de dos redes neuronales entrenadas en clasificación de tumores cerebrales (meningioma, glioma, tumor pituitario y control) en imágenes de resonancia magnética. Desarrollado en la Universidad de Ibagué, el proyecto integra herramientas avanzadas en procesamiento de imágenes y redes neuronales EfficientNet y Visual Transformers para mejorar la explicabilidad en el diagnóstico automatizado. Utilizando una base de datos de 10,000 imágenes por clase y técnicas de aumento de datos, se analizan los métodos en términos de exactitud, explicabilidad y facilidad de uso, revelando que Grad-CAM y Grad-CAM++ son más efectivos en la localización precisa de características, mientras que LIME, Masked y HeatMap destacan en representaciones globales. La investigación culmina con una aplicación interactiva que facilita la comparación de métodos, promoviendo la transparencia y confianza en IA para diagnósticos médicos.This study compares five explainability methods (Grad-CAM, Grad-CAM++, HeatMap, Masked, and LIME) to interpret the decisions of two neural networks trained to classify brain tumors (meningioma, glioma, pituitary tumor, and control) in magnetic resonance images. Developed at the University of Ibagué, the project integrates advanced image processing tools and EfficientNet and Visual Transformer neural networks to enhance explainability in automated diagnosis. Using a database of 10,000 images per class and data augmentation techniques, the methods are analyzed in terms of accuracy, explainability, and ease of use, revealing that Grad-CAM and Grad-CAM++ are more effective in precisely localizing features, while LIME, Masked, and HeatMap excel in global representations. The research culminates in an interactive application that facilitates the comparison of methods, promoting transparency and trust in AI for medical diagnosis.PregradoIngeniero ElectrónicoResumen.....5 Abstract.....5 Introducción....13 1.1. Antecedentes...13 1.2. Planteamiento del Problema y su Justificación del Estudio.....15 1.3. Objetivos.....17 1.3.1. Objetivo General....17 1.3.2. Objetivos Específicos.....17 Fundamentos y Estado del Arte....18 2.1. Redes Neuronales.....18 2.1.1. Redes Neuronales Convolucionales (CNN)...19 2.2. Red Neuronal Visual Transformers.....21 2.3. Grad Cam.....22 2.3.1 Arquitectura del Grad-CAM.....23 2.4. Gradientes....25 Metodología....27 3.1. Entorno de Trabajo.....27 3.2. Tipos de Tumores.....27 3.2.1. Glioma.....27 3.2.2. Meningioma.....28 3.2.3. Tumor pituitario.....29 3.3. Adquisición de datos...30 3.3.1 Aumentación de datos y preprocesamiento de imágenes....31 3.4. Redes Neuronales Implementadas.....33 3.4.1. EfficientNet.....33 3.4.2. EfficientNet B1.....34 3.4.3. Fundamentos Matemáticos de los Visual Transformers.....42 3.4.4. Heatmap.....44 3.4.5. Masked....47 3.4.6. Grad-CAM.....50 3.4.7. Grad-CAM ++...53 3.4.8. LIME.....57 Resultados.....60 4.1 Clasificación.....60 4.1.1. Clasificación con Visual Transformers.....64 4.2. Grad-CAM...65 4.3. Grad-CAM ++.....68 4.4. Heatmap.....70 4.5. Masked....72 4.6. LIME.....74 4.8. Interfaz Gráfica de Usuario.....77 4.8.1. Estadística en la aplicación...80 4.9. Comparación Entre Resultados De Métodos De Visualización.....81 4.9.1. Interpretabilidad De Los Métodos De Visualización....81 4.9.2. Análisis Experimental de los Métodos.....84 Conclusiones y trabajos futuros.....104 5.1. Conclusiones...104 5.2. Trabajos futuros...105 Referencias bibliográficas.....107123 páginasapplication/pdfLópez Arredondo, F. & Camargo Espinosa, J, F. (2024). Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales. [Trabajo de grado. Universidad de Ibagué]. https://hdl.handle.net/20.500.12313/4657https://hdl.handle.net/20.500.12313/4657spaUniversidad de IbaguéIngenieriaIbaguéIngeniería ElectrónicaChattopadhay, A., Sarkar, A., Howlader, P., & Balasubramanian, N. (2018). Grad-cam++: Generalized gradient-based visual explanations for deep convolutional networks. In 2018 IEEE winter conference on applications of computer vision (WACV) (pp. 839-847). IEEE.DataScientest. (2023). ¿Qué es el método Grad-CAM? https://datascientest.com/es/que-es-el-metodo-grad-camDataScientest. (2024). What is the Grad-CAM method? https://datascientest.com/en/what-is-the-grad-cam-methodDosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., Uszkoreit, J., & Houlsby, N. (2021). An image is worth 16x16 words: Transformers for image recognition at scale. Google Research, Brain Team. https://arxiv.org/abs/2010.1192Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zisserman, A. (2020). An image is worth 16x16 words: Transformers for image recognition at scale. arXiv preprint arXiv:2010.11929. https://arxiv.org/abs/2010.11929Dosovitskiy, A., & Brox, T. (2016). Inverting visual representations with convolutional networks. IEEE Transactions on Pattern Analysis and Machine Intelligence, 38(2), 302-313. https://doi.org/10.1109/TPAMI.2015.2444057Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.Grad-CAM++: Generalized Gradient-Based Visual Explanations for Deep Convolutional Networks. (2018, marzo 1). IEEE Conference Publication \| IEEE Xplore. https://ieeexplore.ieee.org/document/8354201Hopkins Medicine. (2024). Tipos de tumores cerebrales. Obtenido de https://www.hopkinsmedicine.org/health/conditions-and-diseases/brain-tumor/brain-tumor-types 107Hu, J., Shen, L., Albanie, S., Pablo, G., & Sun, G. (2018). Squeeze-and-excitation networks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 7132-7141. https://openaccess.thecvf.com/content_cvpr_2018/html/Hu_Squeeze-and-Excitation_Networks_CVPR_2018_paper.htmlInstituto de Ingeniería del Conocimiento et al. (2024). Confianza e interés en la aplicación de la IA en el sector salud. https://www.iic.uam.es/lasalud/confianza-e-interes-en-la-aplicacion-de-la-ia-en-el-sector-salud/Liu, Z., Lin, Y., Cao, Y., Hu, H., Wei, Y., & Zhang, Z. (2021). Swin Transformer: Hierarchical vision transformer using shifted windows. In Proceedings of the IEEE International Conference on Computer Vision (ICCV). https://arxiv.org/abs/2103.14030Mayo Clinic. (2024). Glioma: síntomas y causas. https://www.mayoclinic.org/es/diseases-conditions/glioma/symptoms-causes/syc-20350251Mayo Clinic. (2024). Meningioma: síntomas y causas. Obtenido de https://www.mayoclinic.org/es/diseases-conditions/meningioma/symptoms-causes/syc-20355643Mayo Clinic. (2024). Tumores de la hipófisis: síntomas y causas. Obtenido de https://www.mayoclinic.org/es/diseases-conditions/pituitary-tumors/symptoms-causes/syc-20350548PyTorch. (sf). Learn the Basics. PyTorch Tutorials. https://pytorch.org/tutorials/beginner/nn_tutorial.htmRibeiro, T., Singh, S., & Guestrin, C. (2016). “Why should I trust you?” Explaining the predictions of any classifier. SIGKDD.Selvaraju, R., Cogswell, M., Das, A., Vedantam, R., Parikh, D., & Batra, D. (2017). Grad-CAM: Visual explanations from deep networks via gradient-based localization. In Proceedings of the IEEE International Conference on Computer Vision (pp. 618-626).Szeliski, R. (2011). Computer vision: Algorithms and applications. Springer Science & Business Media.Stanford University. (2024). CS231n: Convolutional Neural Networks for Visual Recognition. http://cs231n.stanford.edu.Tan, M., & Le, V. (2019). EfficientNet: Rethinking model scaling for convolutional neural networks. Proceedings of the 36th International Conference on Machine Learning, 97, 6105-6114. https://proceedings.mlr.press/v97/tan19a.htmlTensorFlow. (2023). Convolutional Neural Networks. Obtenido de https://www.tensorflow.org/tutorials/images/cnnTomas, H. (2023). Inteligencia artificial y medicina: avances y aplicaciones. https://www.20minutos.es/tecnologia/aplicaciones/inteligencia-artificial-medicina-avances-aplicaciones-5106130/Vaswani, A., Shardlow, S., Parmar, N., Uszkoreit, J., Jones, L., Gomez, N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. In Advances in Neural Information Processing Systems (Vol. 30). https://arxiv.org/abs/1706.03762Visani, G., Bagli, E., & Chesani, F. (2020). OptiLIME: Optimized LIME Explanations for Diagnostic Computer Algorithms. AIMLAI Workshop @ CIKM.Zhou, B., Khosla, A., Lapedriza, A., Oliva, A., & Torralba, A. (2016). Learning deep features for discriminative localization. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 2921-2929).info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial 4.0 Internacional (CC BY-NC 4.0)https://creativecommons.org/licenses/by-nc/4.0/Redes neuronalesTumores cerebralesResonancia magnéticaExplicabilidadRedes neuronalesTumores cerebralesGrad-CAMVisual TransformersDeep LearningResonancia magnéticaExplainabilityNeural networksBrain tumorsGrad-CAMVisual TransformersMRIEstudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronalesTrabajo de grado - Pregradohttp://purl.org/coar/resource_type/c_7a1fTextinfo:eu-repo/semantics/bachelorThesishttp://purl.org/redcol/resource_type/TPinfo:eu-repo/semantics/acceptedVersionPublicationORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf40475380https://repositorio.unibague.edu.co/bitstreams/58517389-1854-4f91-b555-f12660d74f03/download93757ee609b74971e41f0d3034edb241MD51Formato de autorización.pdfFormato de autorización.pdfapplication/pdf195760https://repositorio.unibague.edu.co/bitstreams/99f8220d-18d5-43bb-afcb-167f322f070e/download38e15d02958b247ad08bc226d30d4f1cMD52TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain103908https://repositorio.unibague.edu.co/bitstreams/c9e267b0-2ca8-4140-b4e0-57f67d1a32f9/download5eeb65477312dd347ed8b40b6c640624MD58Formato de autorización.pdf.txtFormato de autorización.pdf.txtExtracted texttext/plain3519https://repositorio.unibague.edu.co/bitstreams/c8eacdfc-da4e-4aff-adbd-efcd94cd1114/download3a1acc11ae720b026d4e6b0ddeb2fa2cMD510THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg8146https://repositorio.unibague.edu.co/bitstreams/a5f1ca50-ea01-41b3-acf8-740f2684f7f8/download0044bfe75c127ce6ee1c5b319217abb8MD59Formato de autorización.pdf.jpgFormato de autorización.pdf.jpgIM Thumbnailimage/jpeg27059https://repositorio.unibague.edu.co/bitstreams/1d581477-dd66-45ab-842c-72e6f3fc6449/downloada29b134a79e7b45d6331bd2bc2c05949MD511LICENSElicense.txtlicense.txttext/plain; charset=utf-8134https://repositorio.unibague.edu.co/bitstreams/340ba51d-46d9-4b80-ac88-c3e45c898bbd/download2fa3e590786b9c0f3ceba1b9656b7ac3MD5320.500.12313/4657oai:repositorio.unibague.edu.co:20.500.12313/46572025-08-13 01:02:53.147https://creativecommons.org/licenses/by-nc/4.0/https://repositorio.unibague.edu.coRepositorio Institucional Universidad de Ibaguébdigital@metabiblioteca.comQ3JlYXRpdmUgQ29tbW9ucyBBdHRyaWJ1dGlvbi1Ob25Db21tZXJjaWFsLU5vRGVyaXZhdGl2ZXMgNC4wIEludGVybmF0aW9uYWwgTGljZW5zZQ0KaHR0cHM6Ly9jcmVhdGl2ZWNvbW1vbnMub3JnL2xpY2Vuc2VzL2J5LW5jLW5kLzQuMC8=

Estudio comparativo de técnicas basadas en Grad-CAM para la explicabilidad de redes neuronales

Publicaciones similares