Optimización de redes neuronales convolucionales para la clasificación de imágenes hiperespectrales

García Roqué, Andrés Abelardo. (2022). Optimización de redes neuronales convolucionales para la clasificación de imágenes hiperespectrales Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Garcia_Roque_Andres_TFM.pdf Garcia_Roque_Andres_TFM.pdf application/pdf 1.50MB

Título Optimización de redes neuronales convolucionales para la clasificación de imágenes hiperespectrales
Autor(es) García Roqué, Andrés Abelardo
Resumen Este proyecto abarca el estudio de las redes neuronales convolucionales aplicadas a imágenes hiperespectrales con el objetivo final de optimizar su funcionamiento, reduciendo el consumo de memoria y de electricidad para poder emplearlas a bordo de micro satélites de observación de la Tierra. Para ello se realizará un estudio del funcionamiento de estas redes y del estado del arte de la tecnología. Posteriormente se hará una revisión de la literatura para buscar métodos adecuados de optimización de este tipo de redes, tratando de reducir tanto el ancho como la profundidad de la red sin disminuir significativamente su precisión, eliminando cálculos innecesarios y por lo tanto reduciendo su consumo. Por último se aplicarán dichos métodos y se evaluarán los resultados analizando la viabilidad de uso.
Abstract This project covers the study of convolutional neural networks applied to hyperspectral images with the ultimate goal of optimizing their performance, reducing memory and power consumption in order to use them on board Earth observation micro-satellites. To achieve this goal the principal component analysis method is applied to the convolutional layers in order to detect redundant filters and eliminate them. The obtained results are very positive, returning imrpoved architectures for the networks, saving a lot of unnecessary computations, memory and energy consumption without significantly affecting the precission of the networks.
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Haut Hurtado, Juan Mario
Pastor Vargas, Rafael
Fecha 2022-02
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Aagarcia
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Aagarcia
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 319 Visitas, 605 Descargas  -  Estadísticas en detalle
Creado: Fri, 11 Mar 2022, 22:15:32 CET