Professor Advisor | dc.contributor.advisor | Pérez Flores, Claudio Andrés | |
Author | dc.contributor.author | Montecino Montanares, Daniel Alberto | |
Associate professor | dc.contributor.other | Estévez Valencia, Pablo | |
Associate professor | dc.contributor.other | Mery Quiroz, Domingo Arturo | |
Admission date | dc.date.accessioned | 2022-03-01T20:44:10Z | |
Available date | dc.date.available | 2022-03-01T20:44:10Z | |
Publication date | dc.date.issued | 2021 | |
Identifier | dc.identifier.uri | https://repositorio.uchile.cl/handle/2250/183970 | |
Abstract | dc.description.abstract | La Neuroevolución permite encontrar arquitecturas de redes neuronales convolucionales (CNN) automáticamente a través de algoritmos evolutivos. Sin embargo, el tiempo de búsqueda suele ser extenso, ya que se deben entrenar múltiples CNNs durante la evolución para calcular su fitness. Esto ha llevado a enfoques para acelerar este cálculo, generando un compromiso entre el tiempo de cómputo y la fidelidad del fitness. Para abordar el problema del compromiso, en este trabajo se propone un algoritmo genético de dos niveles (2LGA). Mientras que un nivel evalúa a todos los individuos rápidamente, el segundo evalúa más precisamente solo aquellos con los resultados mas promisorios. También se propone un espacio de búsqueda flexible y una codificación con genes no expresados para facilitar el crossover y la transmisión de información genética. El 2LGA se aplicó a siete datasets de clasificación de imágenes, cinco variantes de MNIST (MNIST-Variants), Fashion-MNIST y CIFAR-10, logrando resultados mejores que los publicados anteriormente. Los resultados muestran una mejora del 45 % en el dataset más complejo de MNIST, MRDBI, y una mejora promedio de 42.6 % en MNIST-Variants. Además, se mostró que el algoritmo igualó el desempeño de un algoritmo genético AG con entrenamientos precisos, pero tomando el tiempo de uno con entrenamientos rápidos. | es_ES |
Patrocinador | dc.description.sponsorship | ANID (CONICYT) a través del proyecto FONDECYT 1191610, así como el Departamento de Ingeniería Eléctrica (DIE) y el Advanced Mining Technology Center (ANID Project AFB180004) | es_ES |
Lenguage | dc.language.iso | es | es_ES |
Publisher | dc.publisher | Universidad de Chile | es_ES |
Type of license | dc.rights | Attribution-NonCommercial-NoDerivs 3.0 United States | * |
Link to License | dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/us/ | * |
Keywords | dc.subject | Algoritmos genéticos | |
Keywords | dc.subject | Redes neuronales (Ciencia de la computación) | |
Keywords | dc.subject | Reconocimiento de modelos | |
Keywords | dc.subject | Redes neuronales convolucionales | |
Título | dc.title | Optimización de arquitecturas de redes neuronales convolucionales para el reconocimiento de patrones en imágenes mediante algoritmo genético de dos niveles | es_ES |
Document type | dc.type | Tesis | es_ES |
dc.description.version | dc.description.version | Versión original del autor | es_ES |
dcterms.accessRights | dcterms.accessRights | Acceso abierto | es_ES |
Cataloguer | uchile.catalogador | gmm | es_ES |
Department | uchile.departamento | Departamento de Ingeniería Eléctrica | es_ES |
Faculty | uchile.facultad | Facultad de Ciencias Físicas y Matemáticas | es_ES |
uchile.titulacion | uchile.titulacion | Doble Titulación | es_ES |
uchile.carrera | uchile.carrera | Ingeniería Civil Eléctrica | es_ES |
uchile.gradoacademico | uchile.gradoacademico | Magister | es_ES |
uchile.notadetesis | uchile.notadetesis | Tesis para optar al grado de Magíster en Ciencias de la Ingeniería, Mención Eléctrica | es_ES |
uchile.notadetesis | uchile.notadetesis | Memoria para optar al título de Ingeniero Civil Eléctrico | |