Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19
Este trabajo de grado se centra en la aplicación de técnicas de aprendizaje profundo y procesamiento de imágenes médicas para mejorar la detección y diagnóstico de enfermedades pulmonares, con un enfoque específico en el padecimiento causado por el COVID-19. El estudio propone el uso de una arquitec...
- Autores:
-
Bustamante Alarcon, Javier Steven
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2022
- Institución:
- Universidad Militar Nueva Granada
- Repositorio:
- Repositorio UMNG
- Idioma:
- spa
- OAI Identifier:
- oai:repository.umng.edu.co:10654/47402
- Acceso en línea:
- https://hdl.handle.net/10654/47402
- Palabra clave:
- REDES NEURONALES CONVOLUCIONALES (CNN)
APRENDIZAJE PROFUNDO - SEGURIDAD
CIBERSEGURIDAD - ATAQUES ADVERSARIOS
RECONOCIMIENTO DE IMAGENES - METODOS DE CLASIFICACION
Aprendizaje profundo
Radiografías
Ataques adversarios
Ruido aditivo
Transferencia de aprendizaje
Red Neuronal Convolucional
Deep Learning
Radiographs
Adversarial Attacks
Additive Noise
Transfer Learning
Convolutional Neural Network
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/4.0/
| id |
UNIMILTAR2_f1a65fb1796eacfc7d60b8211c15e4d6 |
|---|---|
| oai_identifier_str |
oai:repository.umng.edu.co:10654/47402 |
| network_acronym_str |
UNIMILTAR2 |
| network_name_str |
Repositorio UMNG |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 |
| dc.title.eng.fl_str_mv |
Assessment of Adversarial Attack Impact on COVID-19 Image Classification Models with CNNs |
| title |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 |
| spellingShingle |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 REDES NEURONALES CONVOLUCIONALES (CNN) APRENDIZAJE PROFUNDO - SEGURIDAD CIBERSEGURIDAD - ATAQUES ADVERSARIOS RECONOCIMIENTO DE IMAGENES - METODOS DE CLASIFICACION Aprendizaje profundo Radiografías Ataques adversarios Ruido aditivo Transferencia de aprendizaje Red Neuronal Convolucional Deep Learning Radiographs Adversarial Attacks Additive Noise Transfer Learning Convolutional Neural Network |
| title_short |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 |
| title_full |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 |
| title_fullStr |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 |
| title_full_unstemmed |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 |
| title_sort |
Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19 |
| dc.creator.fl_str_mv |
Bustamante Alarcon, Javier Steven |
| dc.contributor.advisor.none.fl_str_mv |
Renza Torres, Diego |
| dc.contributor.author.none.fl_str_mv |
Bustamante Alarcon, Javier Steven |
| dc.subject.lemb.spa.fl_str_mv |
REDES NEURONALES CONVOLUCIONALES (CNN) APRENDIZAJE PROFUNDO - SEGURIDAD CIBERSEGURIDAD - ATAQUES ADVERSARIOS RECONOCIMIENTO DE IMAGENES - METODOS DE CLASIFICACION |
| topic |
REDES NEURONALES CONVOLUCIONALES (CNN) APRENDIZAJE PROFUNDO - SEGURIDAD CIBERSEGURIDAD - ATAQUES ADVERSARIOS RECONOCIMIENTO DE IMAGENES - METODOS DE CLASIFICACION Aprendizaje profundo Radiografías Ataques adversarios Ruido aditivo Transferencia de aprendizaje Red Neuronal Convolucional Deep Learning Radiographs Adversarial Attacks Additive Noise Transfer Learning Convolutional Neural Network |
| dc.subject.proposal.spa.fl_str_mv |
Aprendizaje profundo Radiografías Ataques adversarios Ruido aditivo Transferencia de aprendizaje Red Neuronal Convolucional |
| dc.subject.proposal.eng.fl_str_mv |
Deep Learning Radiographs Adversarial Attacks Additive Noise Transfer Learning Convolutional Neural Network |
| description |
Este trabajo de grado se centra en la aplicación de técnicas de aprendizaje profundo y procesamiento de imágenes médicas para mejorar la detección y diagnóstico de enfermedades pulmonares, con un enfoque específico en el padecimiento causado por el COVID-19. El estudio propone el uso de una arquitectura de red neuronal convolucional (CNN) y otra arquitectura por transferencia de aprendizaje (TL) para analizar imágenes de tomografía computarizada (TC). Se investiga la robustez del modelo ante posibles ataques adversarios, como la adición de ruido a las imágenes de entrada. Se realizan experimentos para comprender cómo estos ataques pueden afectar la precisión y la confiabilidad del modelo previamente entrenado |
| publishDate |
2022 |
| dc.date.issued.none.fl_str_mv |
2022-11-16 |
| dc.date.accessioned.none.fl_str_mv |
2025-09-08T15:08:39Z |
| dc.date.available.none.fl_str_mv |
2025-09-08T15:08:39Z |
| dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/10654/47402 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Militar Nueva Granada |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Militar Nueva Granada |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repository.umng.edu.co |
| url |
https://hdl.handle.net/10654/47402 |
| identifier_str_mv |
instname:Universidad Militar Nueva Granada reponame:Repositorio Institucional Universidad Militar Nueva Granada repourl:https://repository.umng.edu.co |
| dc.language.iso.none.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Liu, L. (2021, 9 marzo). COVID-19Dataset. IEEE DataPort. https://ieee-dataport.org/documents/covid-19dataset Herramientas y soluciones de ciencia de datos | IBM. (s. f.). https://www.ibm.com/es-es/data-science ¿Qué es la inteligencia artificial (IA)? | IBM. (s. f.). https://www.ibm.com/mx-es/topics/artificial-intelligence Machine learning. (s. f.). https://www.ibm.com/mx-es/analytics/machine-learning ¿Qué es la visión artificial? | IBM. (s. f.-b). https://www.ibm.com/mx-es/topics/computer-vision Pachón, C. G., Ballesteros, D. M., & Renza, D. (2023). An efficient deep learning model using network pruning for fake banknote recognition. Expert Systems with Applications, 233, 120961. Chavarro, A. F., Renza, D., & Ballesteros, D. M. (2023). Influence of Hyperparameters in Deep Learning Models for Coffee Rust Detection. Applied Sciences, 13(7), 4565. Renza, D., & Ballesteros, D. (2023, September). Sp2PS: Pruning Score by Spectral and Spatial Evaluation of CAM Images. In Informatics (Vol. 10, No. 3, p. 72). MDPI. Pachon, C. G., Renza, D., & Ballesteros, D. (2023). Is My Pruned Model Trustworthy? PE-Score: A New CAM-Based Evaluation Metric. Big Data and Cognitive Computing, 7(2), 111 IBM documentation. (s. f.-b). https://www.ibm.com/docs/es/cloud-paks/cp-data/3.5.0?topic=overview-confusion-matrix Rodríguez, D., & Rodríguez, D. (2021). La exactitud y la precisión en modelos de clasificación. Analytics Lane. https://www.analyticslane.com/2018/11/30/la-exactitud-y-la-precision-en-modelos-de-clasificacion/ Adversarial machine learning: ataques a modelos de ML. (2022, 30 mayo). https://www.welivesecurity.com/la-es/2022/05/30/adversarial-machine-learning-introduccion-ataques-modelos-ml/ Ma, X., Niu, Y., Gu, L., Wang, Y., Zhao, Y., Bailey, J. & Lu, F. (2021). Understanding adversarial attacks on deep learning based medical image analysis systems. Pattern Recognition, 110, 107332. https://www.sciencedirect.com/science/article/abs/pii/S0031320320301357 Wang, X., Peng, Y., Lu, L., Lu, Z., Bagheri, M., & Summers, R. M. (2022). Deep Learning-Based Classification of Lung Disease on Chest Radiographs with Transfer Learning from ImageNet. arXiv preprint arXiv:1701.06643. Shen, W., Zhou, M., Yang, F., Yang, C., Tian, J. (2017). Deep learning for pulmonary nodule classification: exploring transfer learning with convolutional neural networks. Computerized Medical Imaging and Graphics, 64, 109-119. Hirano, H. (2021, 7 enero). Universal adversarial attacks on deep neural networks for medical image classification - BMC Medical Imaging. BioMed Central. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-020-00530-y Chartrand, G., Cheng, P. M., Vorontsov, E., Drozdzal, M., Turcotte, S., Pal, C. J., ... & Tang, A. (2017). Deep Learning for Chest Radiograph Diagnosis in the Era of Precision Medicine. arXiv preprint arXiv:1711.05225. Liu, L. (2021, 9 marzo). COVID-19Dataset. IEEE DataPort. https://ieee-dataport.org/documents/covid-19dataset Lukac, M. (2022, 19 julio). Preprocessing layer in CNN models for TensorFlow2 - towards data science. Medium. https://towardsdatascience.com/preprocessing-layer-in-cnn-models-for-tf2-d471e61ddc2e Tf.Keras.Preprocessing.image. (2023, 1 septiembre). https://www.tensorflow.org. https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGenerator TFA.image.gaussian_filter2d | TensorFlow addons. (s. f.). TensorFlow. https://www.tensorflow.org/addons/api_docs/python/tfa/image/gaussian_filter2d Sekhon, M. (2021, 11 diciembre). Image filters in Python - towards data science. Medium. https://towardsdatascience.com/image-filters-in-python-26ee938e57d2#:~:text=Median%20Filter,the%20mean%20and%20Gaussian%20filters Red Neuronal Convolucional (CNN). (s. f.). TensorFlow. https://www.tensorflow.org/tutorials/images/cnn?hl=es-419 [24] Transfer learning & fine - tuning. (2023, junio). Keras. https://keras.io/guides/transfer_learning/ Bharathi. (2023). Latest Guide on Confusion Matrix for Multi-Class Classification. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2021/06/confusion-matrix-for-multi-class-classification/ Juba, B., & Le, H. S. (2019, July). Precision-recall versus accuracy and the role of large data sets. In Proceedings of the AAAI conference on artificial intelligence (Vol. 33, No. 01, pp. 4039-4048). Mohajon, J. (2021b, diciembre 14). Confusion Matrix for your Multi-Class Machine Learning model. Medium. https://towardsdatascience.com/confusion-matrix-for-your-multi-class-machine-learning-model-ff9aa3bf7826 1.7. Gaussian processes. (s. f.). scikit-learn. https://scikit-learn.org/stable/modules/gaussian_process.html Sekhon, M. (2021b, diciembre 11). Image filters in Python - towards data science. Medium. https://towardsdatascience.com/image-filters-in-python-26ee938e57d2#:~:text=Median%20Filter,the%20mean%20and%20Gaussian%20filters |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.creativecommons.*.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International |
| dc.rights.local.spa.fl_str_mv |
Acceso abierto |
| dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 International Acceso abierto http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
applicaction/pdf |
| dc.coverage.sede.spa.fl_str_mv |
Calle 100 |
| dc.publisher.program.spa.fl_str_mv |
Ingeniería en Telecomunicaciones |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Militar Nueva Granada |
| institution |
Universidad Militar Nueva Granada |
| bitstream.url.fl_str_mv |
https://repository.umng.edu.co/bitstreams/140ef1ff-f342-44b5-a05c-b9c45564aec3/download https://repository.umng.edu.co/bitstreams/7b0f4881-bc8a-4465-b372-e1449124c1c8/download https://repository.umng.edu.co/bitstreams/84f0ef3e-979f-46c7-801b-8d96294147d2/download |
| bitstream.checksum.fl_str_mv |
a609d7e369577f685ce98c66b903b91b 54f5d18ca32ea378c6a3137383b460e5 e64f7d444cc20750b2aaf815b4015640 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional UMNG |
| repository.mail.fl_str_mv |
bibliodigital@unimilitar.edu.co |
| _version_ |
1851052828297003008 |
| spelling |
Renza Torres, DiegoBustamante Alarcon, Javier StevenIngeniero en Telecomunicaciones2025-09-08T15:08:39Z2025-09-08T15:08:39Z2022-11-16https://hdl.handle.net/10654/47402instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.umng.edu.coEste trabajo de grado se centra en la aplicación de técnicas de aprendizaje profundo y procesamiento de imágenes médicas para mejorar la detección y diagnóstico de enfermedades pulmonares, con un enfoque específico en el padecimiento causado por el COVID-19. El estudio propone el uso de una arquitectura de red neuronal convolucional (CNN) y otra arquitectura por transferencia de aprendizaje (TL) para analizar imágenes de tomografía computarizada (TC). Se investiga la robustez del modelo ante posibles ataques adversarios, como la adición de ruido a las imágenes de entrada. Se realizan experimentos para comprender cómo estos ataques pueden afectar la precisión y la confiabilidad del modelo previamente entrenadoThis undergraduate thesis focuses on the application of deep learning techniques and medical image processing to enhance the detection and diagnosis of lung diseases, with a specific emphasis on COVID-19-induced disease. The study proposes the utilization of a Convolutional Neural Network (CNN) architecture and a Transfer Learning (TL) architecture to analyze computed tomography (CT) images. The robustness of the model against potential adversarial attacks, such as the addition of noise to input images, is investigated. Experiments are conducted to comprehend how these attacks could impact the accuracy and reliability of the pre-trained model.1. Contexto (definición de objetivos y tareas) 1.1 Introducción 1.2 Planteamiento del problema 1.3 Justificación 1.4 Pregunta de investigación 1.5 Objetivos 1.6 Metodología 1.7 Alcance 2. Marco teórico 3. Antecedentes 4. Preparación de los datos 4.1 Conjunto de datos de imágenes CT (COVID-19) 4.2 Creación de imágenes con ruido 4.2.1 Ruido Gaussiano 4.2.2 Ataque de difuminado de imágenes. 5. Modelamiento 5.1 Modelo por diseño a medida (CNN) 5.2 Modelo por transferencia de aprendizaje (TL) 6. Evaluación de rendimiento 6.1 Ruido Gaussiano 6.1.1 Evaluación y análisis de rendimiento al generar distorsiones en datos de prueba (Modelo CNN) 6.1.2 Evaluación y análisis de rendimiento al generar distorsiones en datos de prueba (Modelo TL) 6.2 Ataque de difuminado 6.2.1 Evaluación y análisis de rendimiento al generar distorsiones en datos de prueba (Modelo CNN) 6.2.2 Evaluación y análisis de rendimiento al generar distorsiones en datos de prueba (Modelo TL) 6.3 Comparación entre modelos evaluados 6.3.1 Comparación de modelos con ataque de difuminado 6.3.2 Comparación de modelos con ataque de ruido Gaussiano 7. Conclusiones ReferenciasPregradoCette thèse de premier cycle se concentre sur l'application de techniques d'apprentissage en profondeur et de traitement d'images médicales pour améliorer la détection et le diagnostic des maladies pulmonaires, en mettant spécifiquement l'accent sur les maladies induites par la COVID-19. L'étude propose l'utilisation d'une architecture de Réseau de Neurones Convolutifs (CNN) et d'une architecture de Transfert d'Apprentissage (TL) pour analyser les images de tomographie computérisée (CT). La robustesse du modèle face à d'éventuelles attaques adverses, telles que l'ajout de bruit aux images d'entrée, est étudiée. Des expériences sont menées pour comprendre comment ces attaques pourraient affecter la précision et la fiabilité du modèle pré-entraîné.applicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertohttp://purl.org/coar/access_right/c_abf2Evaluación del impacto de ataque adversarios en modelos de clasificación de imágenes con CNNs: caso COVID-19Assessment of Adversarial Attack Impact on COVID-19 Image Classification Models with CNNsREDES NEURONALES CONVOLUCIONALES (CNN)APRENDIZAJE PROFUNDO - SEGURIDADCIBERSEGURIDAD - ATAQUES ADVERSARIOSRECONOCIMIENTO DE IMAGENES - METODOS DE CLASIFICACIONAprendizaje profundoRadiografíasAtaques adversariosRuido aditivoTransferencia de aprendizajeRed Neuronal ConvolucionalDeep LearningRadiographsAdversarial AttacksAdditive NoiseTransfer LearningConvolutional Neural NetworkTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería en TelecomunicacionesFacultad de IngenieríaUniversidad Militar Nueva GranadaLiu, L. (2021, 9 marzo). COVID-19Dataset. IEEE DataPort. https://ieee-dataport.org/documents/covid-19datasetHerramientas y soluciones de ciencia de datos | IBM. (s. f.). https://www.ibm.com/es-es/data-science¿Qué es la inteligencia artificial (IA)? | IBM. (s. f.). https://www.ibm.com/mx-es/topics/artificial-intelligenceMachine learning. (s. f.). https://www.ibm.com/mx-es/analytics/machine-learning¿Qué es la visión artificial? | IBM. (s. f.-b). https://www.ibm.com/mx-es/topics/computer-visionPachón, C. G., Ballesteros, D. M., & Renza, D. (2023). An efficient deep learning model using network pruning for fake banknote recognition. Expert Systems with Applications, 233, 120961.Chavarro, A. F., Renza, D., & Ballesteros, D. M. (2023). Influence of Hyperparameters in Deep Learning Models for Coffee Rust Detection. Applied Sciences, 13(7), 4565.Renza, D., & Ballesteros, D. (2023, September). Sp2PS: Pruning Score by Spectral and Spatial Evaluation of CAM Images. In Informatics (Vol. 10, No. 3, p. 72). MDPI.Pachon, C. G., Renza, D., & Ballesteros, D. (2023). Is My Pruned Model Trustworthy? PE-Score: A New CAM-Based Evaluation Metric. Big Data and Cognitive Computing, 7(2), 111IBM documentation. (s. f.-b). https://www.ibm.com/docs/es/cloud-paks/cp-data/3.5.0?topic=overview-confusion-matrixRodríguez, D., & Rodríguez, D. (2021). La exactitud y la precisión en modelos de clasificación. Analytics Lane. https://www.analyticslane.com/2018/11/30/la-exactitud-y-la-precision-en-modelos-de-clasificacion/Adversarial machine learning: ataques a modelos de ML. (2022, 30 mayo). https://www.welivesecurity.com/la-es/2022/05/30/adversarial-machine-learning-introduccion-ataques-modelos-ml/Ma, X., Niu, Y., Gu, L., Wang, Y., Zhao, Y., Bailey, J. & Lu, F. (2021). Understanding adversarial attacks on deep learning based medical image analysis systems. Pattern Recognition, 110, 107332. https://www.sciencedirect.com/science/article/abs/pii/S0031320320301357Wang, X., Peng, Y., Lu, L., Lu, Z., Bagheri, M., & Summers, R. M. (2022). Deep Learning-Based Classification of Lung Disease on Chest Radiographs with Transfer Learning from ImageNet. arXiv preprint arXiv:1701.06643.Shen, W., Zhou, M., Yang, F., Yang, C., Tian, J. (2017). Deep learning for pulmonary nodule classification: exploring transfer learning with convolutional neural networks. Computerized Medical Imaging and Graphics, 64, 109-119.Hirano, H. (2021, 7 enero). Universal adversarial attacks on deep neural networks for medical image classification - BMC Medical Imaging. BioMed Central. https://bmcmedimaging.biomedcentral.com/articles/10.1186/s12880-020-00530-yChartrand, G., Cheng, P. M., Vorontsov, E., Drozdzal, M., Turcotte, S., Pal, C. J., ... & Tang, A. (2017). Deep Learning for Chest Radiograph Diagnosis in the Era of Precision Medicine. arXiv preprint arXiv:1711.05225.Liu, L. (2021, 9 marzo). COVID-19Dataset. IEEE DataPort. https://ieee-dataport.org/documents/covid-19datasetLukac, M. (2022, 19 julio). Preprocessing layer in CNN models for TensorFlow2 - towards data science. Medium. https://towardsdatascience.com/preprocessing-layer-in-cnn-models-for-tf2-d471e61ddc2eTf.Keras.Preprocessing.image. (2023, 1 septiembre). https://www.tensorflow.org. https://www.tensorflow.org/api_docs/python/tf/keras/preprocessing/image/ImageDataGeneratorTFA.image.gaussian_filter2d | TensorFlow addons. (s. f.). TensorFlow. https://www.tensorflow.org/addons/api_docs/python/tfa/image/gaussian_filter2dSekhon, M. (2021, 11 diciembre). Image filters in Python - towards data science. Medium. https://towardsdatascience.com/image-filters-in-python-26ee938e57d2#:~:text=Median%20Filter,the%20mean%20and%20Gaussian%20filtersRed Neuronal Convolucional (CNN). (s. f.). TensorFlow. https://www.tensorflow.org/tutorials/images/cnn?hl=es-419[24] Transfer learning & fine - tuning. (2023, junio). Keras. https://keras.io/guides/transfer_learning/Bharathi. (2023). Latest Guide on Confusion Matrix for Multi-Class Classification. Analytics Vidhya. https://www.analyticsvidhya.com/blog/2021/06/confusion-matrix-for-multi-class-classification/Juba, B., & Le, H. S. (2019, July). Precision-recall versus accuracy and the role of large data sets. In Proceedings of the AAAI conference on artificial intelligence (Vol. 33, No. 01, pp. 4039-4048).Mohajon, J. (2021b, diciembre 14). Confusion Matrix for your Multi-Class Machine Learning model. Medium. https://towardsdatascience.com/confusion-matrix-for-your-multi-class-machine-learning-model-ff9aa3bf78261.7. Gaussian processes. (s. f.). scikit-learn. https://scikit-learn.org/stable/modules/gaussian_process.htmlSekhon, M. (2021b, diciembre 11). Image filters in Python - towards data science. Medium. https://towardsdatascience.com/image-filters-in-python-26ee938e57d2#:~:text=Median%20Filter,the%20mean%20and%20Gaussian%20filtersCalle 100LICENSElicense.txtlicense.txttext/plain; charset=utf-83420https://repository.umng.edu.co/bitstreams/140ef1ff-f342-44b5-a05c-b9c45564aec3/downloada609d7e369577f685ce98c66b903b91bMD52ORIGINALBustamanteAlarconJavierSteven2023.pdfBustamanteAlarconJavierSteven2023.pdfTrabajo de gradoapplication/pdf1217384https://repository.umng.edu.co/bitstreams/7b0f4881-bc8a-4465-b372-e1449124c1c8/download54f5d18ca32ea378c6a3137383b460e5MD51THUMBNAILBustamanteAlarconJavierSteven2023.pdf.jpgBustamanteAlarconJavierSteven2023.pdf.jpgIM Thumbnailimage/jpeg4715https://repository.umng.edu.co/bitstreams/84f0ef3e-979f-46c7-801b-8d96294147d2/downloade64f7d444cc20750b2aaf815b4015640MD5310654/47402oai:repository.umng.edu.co:10654/474022025-09-09 03:01:48.304http://creativecommons.org/licenses/by-nc-nd/4.0/open.accesshttps://repository.umng.edu.coRepositorio Institucional UMNGbibliodigital@unimilitar.edu.coRWwgYXV0b3IgZGUgbGEgb2JyYSAodGVzaXMsIG1vbm9ncmFmw61hLCB0cmFiYWpvIGRlIGdyYWRvIG8gY3VhbHF1aWVyIG90cm8gZG9jdW1lbnRvCmNvbiBjYXLDoWN0ZXIgYWNhZMOpbWljbyksIGFjdHVhbmRvIGVuIG5vbWJyZSBwcm9waW8sIGhhY2UgZW50cmVnYSBkZWwgZWplbXBsYXIgcmVzcGVjdGl2bwp5IGRlIHN1cyBhbmV4b3MgZW4gZm9ybWF0byBkaWdpdGFsIG8gZWxlY3Ryw7NuaWNvLgoKRUwgRVNUVURJQU5URSAtIEFVVE9SLCBtYW5pZmllc3RhIHF1ZSBsYSBvYnJhIG9iamV0byBkZSBsYSBwcmVzZW50ZSBhdXRvcml6YWNpw7NuCmVzIG9yaWdpbmFsIHkgbGEgcmVhbGl6w7Mgc2luIHZpb2xhciBvIHVzdXJwYXIgZGVyZWNob3MgZGUgYXV0b3IgZGUgdGVyY2Vyb3MsIHBvcgpsbyB0YW50bywgbGEgb2JyYSBlcyBkZSBleGNsdXNpdmEgYXV0b3LDrWEgeSB0aWVuZSBsYSB0aXR1bGFyaWRhZCBzb2JyZSBsYSBtaXNtYS4KCkVuIGNhc28gZGUgcHJlc2VudGFyc2UgY3VhbHF1aWVyIHJlY2xhbWFjacOzbiBvIGFjY2nDs24gcG9yIHBhcnRlIGRlIHVuIHRlcmNlcm8gZW4KY3VhbnRvIGEgbG9zIGRlcmVjaG9zIGRlIGF1dG9yIHNvYnJlIGxhIG9icmEgZW4gY3Vlc3Rpw7NuLCBFTCBFU1RVRElBTlRFIC0gQVVUT1IsCmFzdW1pcsOhIHRvZGEgbGEgcmVzcG9uc2FiaWxpZGFkLCB5IHNhbGRyw6EgZW4gZGVmZW5zYSBkZSBsb3MgZGVyZWNob3MgYXF1w60gYXV0b3JpemFkb3M7CnBhcmEgdG9kb3MgbG9zIGVmZWN0b3MgbGEgdW5pdmVyc2lkYWQgYWN0w7phIGNvbW8gdW4gdGVyY2VybyBkZSBidWVuYSBmZS4KCkFkZW3DoXMsICJMQSBVTklWRVJTSURBRCBNSUxJVEFSIE5VRVZBIEdSQU5BREEgY29tbyBpbnN0aXR1Y2nDs24gcXVlIGFsbWFjZW5hLCB5CnJlY29sZWN0YSBkYXRvcyBwZXJzb25hbGVzLCBhdGVuZGllbmRvIGxvIHByZWNlcHR1YWRvIGVuIGxhIGxleSAxNTgxIGRlIDIwMTIgeSBlbApEZWNyZXRvIDEzNzcgZGUgMjAxMywgcXVlIGRlc2Fycm9sbGFuIGVsIHByaW5jaXBpbyBjb25zdGl0dWNpb25hbCBxdWUgdGllbmVuIHRvZGFzCmxhcyBwZXJzb25hcyBhIGNvbm9jZXIsIGFjdHVhbGl6YXIgeSByZWN0aWZpY2FyIHRvZG8gdGlwbyBkZSBpbmZvcm1hY2nDs24gcmVjb2dpZGEKbywgcXVlIGhheWEgc2lkbyBvYmpldG8gZGUgdHJhdGFtaWVudG8gZGUgZGF0b3MgcGVyc29uYWxlcyBlbiBiYW5jb3MgbyBiYXNlcyBkZQpkYXRvcyB5IGVuIGdlbmVyYWwgZW4gYXJjaGl2b3MgZGUgZW50aWRhZGVzIHDDumJsaWNhcyBvIHByaXZhZGFzLCByZXF1aWVyZSBvYnRlbmVyCnN1IGF1dG9yaXphY2nDs24sIHBhcmEgcXVlLCBkZSBtYW5lcmEgbGlicmUsIHByZXZpYSwgZXhwcmVzYSwgdm9sdW50YXJpYSwgeQpkZWJpZGFtZW50ZSBpbmZvcm1hZGEsIHBlcm1pdGEgYSB0b2RhcyBudWVzdHJhcyBkZXBlbmRlbmNpYXMgYWNhZMOpbWljYXMgeQphZG1pbmlzdHJhdGl2YXMsIHJlY29sZWN0YXIsIHJlY2F1ZGFyLCBhbG1hY2VuYXIsIHVzYXIsIGNpcmN1bGFyLCBzdXByaW1pciwgcHJvY2VzYXIsCmNvbXBpbGFyLCBpbnRlcmNhbWJpYXIsIGRhciB0cmF0YW1pZW50bywgYWN0dWFsaXphciB5IGRpc3BvbmVyIGRlIGxvcyBkYXRvcyBxdWUKaGFuIHNpZG8gc3VtaW5pc3RyYWRvcyB5IHF1ZSBzZSBoYW4gaW5jb3Jwb3JhZG8gZW4gbnVlc3RyYXMgYmFzZXMgbyBiYW5jb3MgZGUKZGF0b3MsIG8gZW4gcmVwb3NpdG9yaW9zIGVsZWN0csOzbmljb3MgZGUgdG9kbyB0aXBvIGNvbiBxdWUgY3VlbnRhIGxhIFVuaXZlcnNpZGFkLgoKRXN0YSBpbmZvcm1hY2nDs24gZXMgeSBzZXLDoSB1dGlsaXphZGEgZW4gZWwgZGVzYXJyb2xsbyBkZSBsYXMgZnVuY2lvbmVzIHByb3BpYXMgZGUKbGEgVW5pdmVyc2lkYWQgZW4gc3UgY29uZGljacOzbiBkZSBpbnN0aXR1Y2nDs24gZGUgZWR1Y2FjacOzbiBzdXBlcmlvciwgZGUgZm9ybWEKZGlyZWN0YSBvIGEgdHJhdsOpcyBkZSB0ZXJjZXJvcyIuCgpTaSBzdSBkb2N1bWVudG8gZXMgZGUgYWNjZXNvIHJlc3RyaW5naWRvICwgc3UgdHJhYmFqbyBzZSBkZXBvc2l0YXLDoSBlbiBlbApSZXBvc2l0b3JpbyBVTU5HIMO6bmljYW1lbnRlIGNvbiBwcm9ww7NzaXRvcyBkZSBwcmVzZXJ2YWNpw7NuIGRvY3VtZW50YWwgeSBtZW1vcmlhCmluc3RpdHVjaW9uYWwsIGVudGVuZGllbmRvIHF1ZSwgc2Vyw6EgY29uc3VsdGFkbyBkZSBmb3JtYSBjb250cm9sYWRhIHNvbGFtZW50ZSBwb3IKbGEgY29tdW5pZGFkIE5lb2dyYW5hZGluYS4KClNpIHN1IGRvY3VtZW50byBlcyBkZSBhY2Nlc28gYWJpZXJ0bywgcGFyYSBwZXJtaXRpciBhbCBSZXBvc2l0b3JpbyBVTU5HIHJlcHJvZHVjaXIsCnRyYWR1Y2lyIHkgZGlzdHJpYnVpciBzdSBlbnbDrW8gYSB0cmF2w6lzIGRlbCBtdW5kbywgbmVjZXNpdGFtb3Mgc3UgY29uZm9ybWlkYWQgZW4KbG9zIHNpZ3VpZW50ZXMgdMOpcm1pbm9zOgoKWSBhdXRvcml6YSBhIGxhIFVOSVZFUlNJREFEIE1JTElUQVIgTlVFVkEgR1JBTkFEQSwgcGFyYSBxdWUgZW4gbG9zIHTDqXJtaW5vcwplc3RhYmxlY2lkb3MgZW46CgpMZXkgMjMgZGUgMTk4Mi0gTGV5IDQ0IGRlIDE5OTMgLUxleSAxOTE1IGRlIDIwMTggLSBEZWNpc2nDs24gQW5kaW5hIDM1MSBkZSAxOTkzLQpEZWNyZXRvIDQ2MCBkZSAxOTk1IHkgZGVtw6FzIG5vcm1hcyBnZW5lcmFsZXMgc29icmUgbGEgbWF0ZXJpYSwgdXRpbGljZSB5IHVzZSBwb3IKY3VhbHF1aWVyIG1lZGlvIGNvbm9jaWRvIG8gcG9yIGNvbm9jZXIsIGxvcyBkZXJlY2hvcyBwYXRyaW1vbmlhbGVzIGRlIHJlcHJvZHVjY2nDs24sCmNvbXVuaWNhY2nDs24gcMO6YmxpY2EsIHRyYW5zZm9ybWFjacOzbiB5IGRpc3RyaWJ1Y2nDs24gZGUgbGEgb2JyYSBvYmpldG8gZGVsIHByZXNlbnRlCmRvY3VtZW50by4KCkxhIHByZXNlbnRlIGF1dG9yaXphY2nDs24gc2UgaGFjZSBleHRlbnNpdmEgbm8gc8OzbG8gYSBsYXMgZmFjdWx0YWRlcyB5IGRlcmVjaG9zIGRlCnVzbyBzb2JyZSBsYSBvYnJhIGVuIGZvcm1hdG8gbyBzb3BvcnRlIG1hdGVyaWFsLCBzaW5vIHRhbWJpw6luIHBhcmEgZm9ybWF0byB2aXJ0dWFsLAplbGVjdHLDs25pY28sIGRpZ2l0YWwsIHkgY3V5byB1c28gc2UgZGUgZW4gcmVkLCBpbnRlcm5ldCwgZXh0cmFuZXQsIGludHJhbmV0LCBldGMuLAp5IGVuIGdlbmVyYWwgZW4gY3VhbHF1aWVyIGZvcm1hdG8gY29ub2NpZG8gbyBwb3IgY29ub2Nlci4KClNpIHRpZW5lIGFsZ3VuYSBkdWRhIHNvYnJlIGxvcyBUw6lybWlub3MgeSBjb25kaWNpb25lcywgcG9yIGZhdm9yLCBjb250YWN0ZSBjb24gZWwKYWRtaW5pc3RyYWRvciBkZWwgc2lzdGVtYSBiaWJsaW9kaWdpdGFsQHVuaW1pbGl0YXIuZWR1LmNvCgpBY2VwdGUgVMOpcm1pbm9zIHkgY29uZGljaW9uZXMgc2VsZWNjaW9uYW5kbyAiQWNlcHRvIiB5IHB1bHNhbmRvICJDb21wbGV0YXIgZW52w61vIi4K |