|
|
|
|
| LEADER |
00000nam a2200000 a 4500 |
| 003 |
AR-LpUFIB |
| 005 |
20250423183250.0 |
| 008 |
230201s2021 ag a om 000 0 spa d |
| 024 |
8 |
|
|a DIF-M8394
|b 8614
|z DIF007684
|
| 040 |
|
|
|a AR-LpUFIB
|b spa
|c AR-LpUFIB
|
| 100 |
1 |
|
|a Gaggiotti, William
|9 50189
|
| 245 |
1 |
0 |
|a Redes GANs como técnica de data augmentation para el reconocimiento de lengua de señas
|
| 260 |
|
|
|c 2021
|
| 300 |
|
|
|a 1 archivo (8,5 MB) :
|b il. col.
|
| 502 |
|
|
|a Tesina (Licenciatura en Informática) - Universidad Nacional de La Plata. Facultad de Informática, 2021.
|
| 505 |
0 |
|
|a 1. Introducción -- 1.1. Resumen -- 1.2. Motivación -- 1.3. Objetivos -- 1.4. Organización de la tesis -- 2. Aprendizaje Automático -- 2.1. Modelos de regresión -- 2.1.1. Función de costo error cuadrático medio(MSE) -- 2.1.2. Aprendizaje de parámetros -- 2.1.3. Descenso del gradiente (SGD) -- 2.2. Modelos de clasificación -- 2.2.1. Regresión logística -- 2.2.2. Función de costo entropía cruzada -- 2.3. Aprendizaje profundo -- 2.3.1. Redes neuronales -- 2.3.2. Funciones de activación -- 2.3.3. Forward-Propagation/Backward-Propagation -- 2.4. Redes neuronales convolucionales -- 2.4.1. Capas convolucionales -- 2.4.2. Capas de pooling -- 2.4.3. Normalización por lotes -- 2.5. Aumento de datos -- 3. Redes Generativas Adversarias -- 3.1. Función de costo en Redes Generativas Adversarias -- 3.2. Entrenamiento -- 3.3. Dificultades para entrenar GANs -- 3.3.1. No convergencia -- 3.3.2. Gradientes que desaparecen -- 3.3.3. Colapso modal -- 3.3.4. Muestras generadas por la GAN original -- 3.4. Wasserstein GAN -- 3.4.1. La distancia Wasserstein -- 3.4.2. Continuidad de Lipschitz -- 3.4.3. Conseguir que f sea 1-Lipschitz -- 3.4.4. Muestras generadas por WGAN-SN original -- 3.5. GAN Condicional -- 3.5.1. Normalización por Lotes Condicional -- 3.6. GAN de Auto-atención -- 3.6.1. Capas de Auto-atención en SAGAN -- 3.6.2. Comentarios finales sobre SAGAN -- 3.6.3. Muestras generadas por SAGAN original -- 3.7. BigGAN -- 3.7.1. Muestras generadas por BigGAN original -- 3.8. GAN para Aumento de Datos -- 3.8.1. Muestras generadas por DAGAN original -- 3.9. Métricas de evaluación en GANs -- 3.9.1. Puntuación Inception (IS) -- 3.9.2. Distancia Inception de Fréchet (FID) -- 3.9.3. Prueba de la paradoja del cumpleaños en GANs -- 4. Lengua de Señas -- 4.1. Clasificación de gestos -- 4.2. Conjunto de datos de lengua de señas -- 4.2.1. LSA64 -- 4.2.2. ASL Finger Spelling Dataset -- 4.2.3. RWTH-PHOENIX-Weather -- 4.3. Estado del arte -- 5. Experimentos -- 5.1. GANs en LSA16 -- 5.1.1. GAN Básica -- 5.1.2. WCGAN en LSA16 -- 5.1.3. BigGAN en LSA16 -- 5.1.4. Agunos comentarios sobre DAGAN en LSA16 -- 5.2. GANS en ASL Finger Spelling -- 5.2.1. WCGAN en ASL -- 5.2.2. BigGAN en ASL -- 5.2.3. DAGAN en ASL -- 5.3. Discusión -- 6. Conclusiones y trabajos futuros -- 6.1. Conclusiones -- 6.2. Trabajos futuros -- Bibliografı́a
|
| 650 |
|
4 |
|a APRENDIZAJE AUTOMÁTICO
|9 42949
|
| 650 |
|
4 |
|a TECNOLOGÍAS PARA PERSONAS CON DISCAPACIDADES
|9 48576
|
| 650 |
|
4 |
|a GENERACIÓN DE IMÁGENES
|9 42902
|
| 650 |
|
4 |
|a RECONOCIMIENTO Y CLASIFICACIÓN
|9 44685
|
| 653 |
|
|
|a aprendizaje profundo
|
| 653 |
|
|
|a redes generativas adversarias (GANs)
|
| 653 |
|
|
|a lengua de señas
|
| 653 |
|
|
|a data augmentation
|
| 700 |
1 |
|
|a Ronchetti, Franco ,
|e Director/a
|9 47017
|
| 856 |
4 |
0 |
|u http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2354
|
| 942 |
|
|
|c TE
|
| 952 |
|
|
|0 0
|1 0
|4 0
|6 TES_2119
|7 0
|9 83310
|a DIF
|b DIF
|d 2025-03-11
|i DIF-04980
|l 0
|o TES 21/19
|p DIF-04980
|r 2025-03-11 17:05:12
|w 2025-03-11
|y TE
|
| 952 |
|
|
|0 0
|1 0
|4 0
|7 3
|8 BD
|9 83311
|a DIF
|b DIF
|d 2025-03-11
|l 0
|r 2025-03-11 17:05:12
|u http://sedici.unlp.edu.ar/handle/10915/129860
|w 2025-03-11
|y TE
|
| 952 |
|
|
|0 0
|1 0
|4 0
|7 3
|8 BD
|9 83312
|a DIF
|b DIF
|d 2025-03-11
|l 0
|r 2025-03-11 17:05:12
|u http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2354
|w 2025-03-11
|y TE
|
| 999 |
|
|
|c 57457
|d 57457
|
