Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/11531/50615
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorBoal Martín-Larrauri, Jaimees-ES
dc.contributor.advisorSánchez Úbeda, Eugenio Franciscoes-ES
dc.contributor.authorEspaña Novillo, Irenees-ES
dc.contributor.otherUniversidad Pontificia Comillas, Escuela Técnica Superior de Ingeniería (ICAI)es_ES
dc.date.accessioned2020-09-16T14:22:55Z-
dc.date.available2020-09-16T14:22:55Z-
dc.date.issued2021es_ES
dc.identifier.urihttp://hdl.handle.net/11531/50615-
dc.descriptionMáster Universitario en Ingeniería de Telecomunicaciónes_ES
dc.description.abstractIncrementar la interpretabilidad de las CNN es uno de los principales retos en el campo de Deep Learning actualmente y en general, se ha abordado desde enfoques muy complejos. Este proyecto presenta una nueva metodología más sencilla para entender el proceso que sigue una CNN para aprender a clasificar imágenes con niveles tan altos de precisión. Varios modelos compuestos por una capa convolucional con un único filtro se han entrenado con conjuntos de datos generados sintéticamente de tal forma que se centran en resolver un problema específico. Se ha comprobado que obtienen buenos resultados, así como que facilitan la interpretación de las características y los filtros, incluso permitiendo aplicar técnicas de Machine Learning para realizar los análisis, debido a la baja cantidad de parámetros a estudiar. El proyecto demuestra que los modelos entrenados están enfocados a extraer detalles muy específicos como características de la imagen, las cuales no son intuitivas para los seres humanos. Además, es esencial agregar ruido a los conjuntos de datos para evitar sesgos.es-ES
dc.description.abstractIncreasing CNN interpretability is one of the fundamental challenges in the Deep Learning field nowadays and generally, it has been addressed from very complex approaches. A new and simpler methodology to understand the process a CNN follows to learn to classify images with such high levels of accuracy is presented in this thesis. Several models comprised of one convolutional layer with a single filter have been trained with datasets generated synthetically so they focus on solving a specific problem. They have been proved to obtain good results as well as ease feature and filter interpretation, even enable to apply ML techniques to perform the analyses, due to the the lower amount of parameters to study. The thesis demonstrates that the trained models are focused on extracting very specific details as image features which are counter-intuivite for human beings. Moreover, it is essential to add noise to the datasets in order to avoid bias.en-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.subject.otherH67 (MIT)es_ES
dc.titleSensitivity analysis of the CNN learning process using synthetic imageses_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsinfo:eu-repo/semantics/closedAccesses_ES
dc.keywordsDeep Learning, CNN, IA interpretable, modelo mínimo, proceso de aprendizaje.es-ES
dc.keywordsDeep Learning, CNN, interpretable AI, minimum model, learning process.en-GB
Aparece en las colecciones: H67-Trabajos Fin de Máster

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
AnexoI-Espana Novillo, Irene JBML_ESU.pdfAutorización255,08 kBAdobe PDFVista previa
Visualizar/Abrir
TFM-MIT-Espana Novillo, Irene.pdfTrabajo Fin de Máster33,21 MBAdobe PDFVista previa
Visualizar/Abrir


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