Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/44923
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorCastro Ponce, Marioes-ES
dc.contributor.advisorContreras Bárcena, Davides-ES
dc.contributor.authorClar Ramírez, Deliaes-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2020-02-14T15:23:30Z
dc.date.availablees_ES
dc.date.issued2020es_ES
dc.identifier.urihttp://hdl.handle.net/11531/44923
dc.descriptionGrado en Ingeniería en Tecnologías de Telecomunicaciónes_ES
dc.description.abstractEn el presente proyecto se desarrollarán distintos modelos de Machine Learning basados en algoritmos de detección de objetos. El objetivo será, dada una imagen que contenga moléculas de ADN transformadas (“ADN Origami”), lograr detectar las posiciones dentro de éstas. Para dar solución al problema es necesaria la creación de una red neuronal convolucional. Su funcionalidad será ser capaz de aprender por sí misma. Para ello, es necesario obtener unos datos de entrada, (las imágenes), junto con sus respectivos resultados, (las posiciones de los triángulos). Una red neuronal aplica diferentes técnicas a los datos para transformarlas en la solución esperada. En el proceso de entrenamiento se comparan las soluciones obtenidas con las reales. Así, se modificarán las distintas transformaciones hasta minimizar la diferencia entre ambas. En primer lugar, se desarrollará una red neuronal de clasificación. Un modelo capaz de detectar si en una imagen existe o no un objeto definido. Sin embargo, esta red no detecta la posición en la que se encuentra. A través de una ventana deslizante que recorra la imagen, se propondrán posibles posiciones dentro de la figura, las cuales se procesarán por el modelo Otra técnica desarrollada es el reentrenamiento de un modelo ya creado, Faster R-CNN. Para adaptarlo al problema será necesaria la modificación de ciertos parámetros de la configuración del modelo. Los resultados del modelo de Faster R-CNN son las coordenadas de las cajas delimitadoras con posibles moléculas de ADN (en forma de triángulo), en su interior, junto con las probabilidades de que realmente lo sean. Otra manera de dar solución al problema es utilizar las regiones dadas por el modelo reentrenado y utilizar el clasificador implementado en el primer apartado. Una vez comparados los resultados obtenidos se ha comprobado como con el reentrenamiento de Faster R-CNN se obtiene la mejor solución.es-ES
dc.description.abstractIn this project, different models of Machine Learning based on object detection algorithms will be developed. The objective will be, given an image containing transformed DNA molecules ("Origami DNA"), to be able to detect the positions inside them To solve the problem, it is necessary to create a convolutional neural network. Its functionality will be to be able to learn by itself. To do this, it is necessary to obtain some input data, (the images), along with their respective results, (the positions of the triangles). A neural network applies different techniques to the data to transform them into the expected solution. In the training process, the solutions obtained are compared with the real ones. Thus, the different transformations will be modified until the difference between both is minimized First, a neural network of classification will be developed. A model capable of detecting whether or not a defined object exists in an image. However, this network does not detect the position in which it is located. Through a sliding window that runs through the image, possible positions within the figure will be proposed, which will be processed by the model. Another technique developed is the retraining of an already created model, Faster R-CNN. To adapt it to the problem it will be necessary to modify certain parameters of the model configuration. he results of the retrained model are the coordinates of the bounding boxes with possible DNA molecules (in the form of a triangle), inside them, together with the probabilities that they really are. Another way to solve the problem is to use the regions given by the retrained model and use the classifier implemented in the first section. Once the results obtained have been compared, it has been proven that with the Faster R-CNN retraining the best solution is obtaineden-GB
dc.format.mimetypeapplication/pdfes_ES
dc.language.isoen-GBes_ES
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 United Stateses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/es_ES
dc.subject33 Ciencias tecnológicases_ES
dc.subject3325 Tecnología de las telecomunicacioneses_ES
dc.subject.otheres_ES
dc.titleProcesamiento automático de Origami de ADN usando técnicas de inteligencia artificiales_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/openAccesses_ES
dc.keywordsADN Origami, Aprendizaje profundo, Inteligencia artificial, Redes neuronales, Detección de objetoses-ES
dc.keywordsDNA Origami, Machine Learning, Artificial Intelligence, Neural networks, Object detecctionen-GB
Aparece en las colecciones: KTT-Trabajos Fin de Grado

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
TFG_DeliaClar_201603712 byDCB2_comprimido.pdfTrabajo Fin de Grado10,61 MBAdobe PDFVista previa
Visualizar/Abrir
AnexoI_DeliaClar_201603712.pdfAutorización272,75 kBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.