Examinando por Autor "Bachiller Mayoral, Margarita"
Mostrando 1 - 6 de 6
Resultados por página
Opciones de ordenación
Publicación A block-based model for monitoring of human activity(Elsevier, 2011-03) Folgado Zuñiga, Encarnación; Rincón Zamorano, Mariano; Bachiller Mayoral, Margarita; Carmona Suárez, Enrique J.The study of human activity is applicable to a large number of science and technology fields, such as surveillance, biomechanics or sports applications. This article presents BB6-HM, a block-based human model for real-time monitoring of a large number of visual events and states related to human activity analysis, which can be used as components of a library to describe more complex activities in such important areas as surveillance, for example, luggage at airports, clients’ behaviour in banks and patients in hospitals. BB6-HM is inspired by the proportionality rules commonly used in Visual Arts, i.e., for dividing the human silhouette into six rectangles of the same height. The major advantage of this proposal is that analysis of the human can be easily broken down into regions, so that we can obtain information of activities. The computational load is very low, so it is possible to define a very fast implementation. Finally, this model has been applied to build classifiers for the detection of primitive events and visual attributes using heuristic rules and machine learning techniques.Publicación Amose²: una metodología de caracterización del error en segmentación de objetos amorfos. La segmentación de hiperintensidades cerebrales como caso de estudio(Universidad Nacional de Educación a Distancia (España). Escuela Internacional de Doctorado. Programa de Doctorado en Sistemas Inteligentes, 2022) Díaz López, Estela; Rincón Zamorano, Mariano; Bachiller Mayoral, MargaritaPublicación Detección de caras en imágenes en tiempo real(Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial, 2012-03-05) Paz Mena, Alexandre; Bachiller Mayoral, MargaritaLa deteccion de caras en imagenes es un area de estudio sobre la que se han realizado multiples investigaciones. De entre ellas, destaca notablemente la realizada por Viola y Jones. Dicha investigacion presento un algortimo que resulto ser muy interesante por la alta tasa de deteccion que proporcionaba y la velocidad a la que era capaz de procesar las imagenes. Se puede entender la revolucion que causo comprobando que muchas tecnicas actuales de vision articial utilizan algunas de las tecnicas que en dicho artculo se aplicaron al ambito por primera vez. Sin embargo, las nuevas tecnicas se han centrado en mejorar la ecacia de la clasicacion dejando de lado la velocidad , siendo los ultimos algoritmos practicamente incapaces de trabajar en tiempo real. En esta investigacion se han implementado cuatro tecnicas de deteccion de caras consideradas importantes en el ambito para analizarlas y buscar formas de mejorar su velocidad. Con cada una de las tecnicas se ha generado un clasicador y se ha realizado un analisis en profundidad de cada uno de los clasicadores para conocer como funcionan, que informacion utilizan y cuanto tardan en cada una de sus etapas. A partir de dicha informacion se han propuesto tres nuevos clasicadores que intentan mejorar a los antetiores. De entre dichas propuestas destaca la que utiliza gradientes de intensidad optimizados, al conseguir reducir a la mitad el tiempo utilizado por el clasicador generado con la tecnica de Viola y Jones.Publicación Diseño de un clasificador multiclase de lesiones de la mucosa oral mediante Deep Learning a partir de imágenes clínicas sin aplicar restricciones(2024-06-01) Redondo García, Alejandro; Bachiller Mayoral, Margarita; Díaz López, EstelaEn este TFM, se investigan diferentes arquitecturas neuronales para desarrollar un sistema automático que permita realizar una clasificación multiclase de diferentes lesiones orales a partir de una imagen RGB. Concretamente, las redes neuronales que se analizan son las Redes Neuronales Convolucionales (CNNs), las Redes Neuronales Residuales (RNNs) y los Vision Transformers. Además de estos tres tipos de redes, se estudia una red “híbrida” llamada ConvNeXt, que está entre las Redes Neuronales Residuales y los Vision Transformers. Por otro lado, las clases que se han definido para realizar la clasificación multiclase según la gravedad de las lesiones orales son cuatro: healthy, benign, potentially malignant y malignant. Esta investigación ha permitido hacer una comparativa real entre las arquitecturas utilizadas por otros investigadores y una nueva propuesta, utilizando siempre el mismo dataset compuesto por un total de 3246 imágenes. Las imágenes de este dataset han sido capturadas mediante un dispositivo no profesional, por ejemplo, un smartphone o una cámara réflex convencional, desde cualquier perspectiva y sin seguir ningún tipo de protocolo. Y se ha experimentado con dos posibles entradas: la imagen completa y una Región de Interés (ROI) que contiene la lesión oral. Además, en el caso de uso de un ROI alrededor de la lesión oral como entrada al modelo, se han analizado los modelos obtenidos cuando se consideran cuatro clases y cuando se consideran tres clases, esto es, no se considera la clase healthy. El mejor modelo, tanto cuando se usa la imagen completa como cuando se usa un ROI que contenga la lesión oral, es ConvNeXt con un tamaño de imagen de 384x384 y 512x512 píxeles, respectivamente. En el primer caso, se superan los resultados presentados en otras investigaciones con un 85,53% de accuracy, un 85,02% de precision, un 85,50% de recall, un 84,92% de F1-score y un 97,40% de ROC AUC. En el segundo caso, los resultados se encuentran en el mismo orden de magnitud con 86,77% de accuracy, un 86,03% de precision, un 88,99% de recall, un 87,23% de F1-score y un 96,58% de ROC AUC, pero con la distinción de que el dataset empleado en este trabajo contiene un total de 39 tipos lesiones (sin contar con la cavidad oral sana) y, en general, mayor número de imágenes. Este trabajo se fundamenta en el gran potencial que tienen estos tipos de algoritmos para extraer patrones complejos, abstractos y no lineales de las imágenes. Estos patrones complejos permiten realizar un primer diagnóstico clasificando el tipo de lesión oral de una manera no invasiva, lo que permite ayudar a los médicos de atención primaria y odontólogos. Además, al no requerir usuarios profesionales especializados ni artilugios médicos de alto coste, este sistema también se puede incorporar en zonas con menos recursos, promoviendo el Objetivo de Desarrollo Sostenible (ODS) 3: Garantizar una vida sana y promover el bienestar para todos en todas las edades. Finalmente, indicar que este trabajo de investigación es fruto de la participación en un proyecto titulado, “Desarrollo de una aplicación como ayuda al diagnóstico precoz de las alteraciones orales potencialmente malignas y el cáncer oral”, financiado por el Ministerio de Ciencia e Innovación y dirigido por Dña. Rosa María López Pintor Muñoz. El objetivo del proyecto es desarrollar una herramienta útil para los odontólogos que permita el diagnóstico precoz de las lesiones orales potencialmente malignas y malignas, de manera que se aumente la tasa de supervivencia del paciente y la calidad de vida.Publicación On the effect of feedback in multilevel representation spaces for visual surveillance tasks(Elsevier, 2009-01) Martínez Campos, Javier; Mira Mira, José; Rincón Zamorano, Mariano; Bachiller Mayoral, Margarita; Martínez Tomás, Rafael; Carmona Suárez, Enrique J.In this work we propose a general top–down feedback scheme between adjacent description levels to interpret video sequences. This scheme distinguishes two types of feedback: repair-oriented feedback and focus-oriented feedback. With the first it is possible to improve the system's performance and produce more reliable and consistent information, and with the second it is possible to adjust the computational load to match the aims. Finally, the general feedback scheme is used in different examples for a visual surveillance application which improved the final result of each description level by using the information in the higher adjacent level.Publicación Segmentación interactiva apoyada en segmentación automática aplicada a la detección y caracterización del cáncer de mama(Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial, 2022-09-01) Cuenca Reyes, José Luis; Rincón Zamorano, Mariano; Bachiller Mayoral, MargaritaEl cáncer de mama es el tipo de cáncer más común entre las mujeres. En 2018 se diagnosticaron 32.825 nuevos casos en España (uno cada 15 minutos) y 266.120 en EEUU. Se estima que el 12,5% de las mujeres de los países de renta alta (una de cada 8) desarrollará un cáncer de mama a lo largo de su vida y más del 4% (aproximadamente una de cada 24 mujeres) morirá por esta causa. La tasa de supervivencia es del 99% cuando la enfermedad se detecta precozmente, pero desciende al 22% cuando se detecta en estado IV. La detección precoz también ahorra recursos económicos: tratar el cáncer de mama en el estado 4 es tres veces más caro que en el estado 0. Por esto, todos los países están interesados en implantar programas de cribado. En la actualidad se utilizan diferentes técnicas de imagen con este fin, cada una con sus ventajas e inconvenientes. Este proyecto tiene por objetivo utilizar técnicas de deep learning para automatizar el análisis de estas imágenes. En este trabajo se presenta un proceso de preparación de la información para el entrenamiento de modelos de segmentación interactiva de imágenes basado en la predicción previa obtenida mediante segmentación automática y un aporte extra de información sobre las regiones de la imagen donde sí existe lesión y donde no existe, obtenido de las interacciones del usuario con la propia imagen a segmentar. Los resultados experimentales sobre el conjunto de datos de masas anómalas en senos CDDDDSM muestran que nuestra propuesta mejora los resultados de la segmentación, además de ofrecer un mecanismo para automatizar la extracción de la información adicional para segmentación interactiva y analizar las implicaciones de utilizar una estrategia u otra de selección de la información adicional así como de la configuración de esta utilizada para entrenar el modelo IIS.