Visión Artificial mediante Aprendizaje Automático con Tensorflow y Pytorch
Jaime Duque Domingo, Jaime Gómez García- Bermejo, Eduardo Zalama Casanova
La visión artificial es una de las áreas de la ingeniería de sistemas que mayor interés ha adquirido en los últimos años, permitiendo resolver problemas tan diferentes como la conducción autónoma, el reconocimiento facial, la detección de defectos industriales o la Interacción de robots con humanos. Por otro lado, los modelos de aprendizaje automático, como las redes neuronales, son ampliamente utilizados en visión e inteligencia artificial.
Este libro está dirigido a estudiantes, investigadores y profesionales deseosos de profundizar en este apasionante campo. De forma práctica se revisan algunos conceptos básicos de visión artificial, así como algunos algoritmos de aprendizaje supervisado y no supervisado, todo ello acompañado de numerosos modelos que permiten resolver problemas actuales.
Utilizando Python con Tensorflow o Pytorch, se explica cómo funcionan internamente y se entrenan distintos tipos de redes neuronales. De forma didáctica, el libro guía al lector para que sea capaz de implementar y utilizar modelos más complejos, como los basados en redes siamesas, redes generativas antagónicas, redes recurrentes, redes de detección o segmentación, e incluso modelos de atención y modelos compuestos.
Además, desde este ENLACE el lector podrá descargar los códigos fuentes que se utilizan en el libro para facilitar el aprendizaje.
- Escritor
- Jaime Duque Domingo
- Escritor
- Jaime Gómez García- Bermejo
- Escritor
- Eduardo Zalama Casanova
- Colección
- Profesional
- Materia
- Visión por ordenador
- Idioma
- Castellano
- EAN
- 9788419444820
- ISBN
- 978-84-19444-82-0
- Depósito legal
- M-7007-2023
- Páginas
- 368
- Ancho
- 17 cm
- Alto
- 24 cm
- Peso
- 628 g
- Edición
- 1
- Fecha publicación
- 17-03-2023
581,00 MX$28,44 US$
Reseñas
Índice de contenido
1. Introducción y conceptos básicos
1.1. Introducción
1.2. Imagen y vídeo
1.3. El color
1.4. Operaciones básicas con imágenes.
1.5. El producto de convolución
1.6. Convolución multicanal
1.7. Procesamiento del resultado del filtrado
1.8. Transformaciones geométricas
1.9. Remuestreo y pirámides de imágenes.
2. Frameworks de visión y deep learning
2.1. Introducción a OpenCV
2.2. Pillow y DLIB
2.2.1. Pillow
2.2.2. DLIB
2.3. Introducción a Tensorflow
2.4. Introducción a Pytorch
2.5. Esquema abierto de intercambio de redes neuronales
3. Ciclo del proyecto y tipos de problemas
3.1. Ciclo del proyecto
3.2. Tipos de problemas
3.2.1. Clasificación de imágenes y vídeos
3.2.2. Detección, segmentación y reconocimiento de objetos y personas
3.2.3. Problemas de regresión
3.2.4. Aprendizaje de un único caso
3.2.5. Generación deimágenes siintéticas
4. Aprendizaje supervisado y no supervisado
4.1. Aprendizaje no supervisado con K-Means
4.2. Aprendizaje supervisado con SVM
4.2.1. SVM con Scikit-Learn
4.2.2. SVM con OpenCV
5. Redes neuronales
5.1. Perceptrón simple
5.2. Perceptrón multicapa
5.3. Algoritmo de retropropagación
5.3.1. Optimizadores
5.3.2. Ejemplo utilizando Tensorflow (modo secuencial)
5.3.3. Ejemplo utilizando Pytorch (modo secuencial)
5.3.4. Ejemplo utilizando Tensorflow (con API Funcional)
5.3.5. Ejemplo utilizando Pytorch (con API Funcional)
5.4. Problemas de clasificación
5.4.1. Entropía cruzada
5.4.2. Ejemplo de clasificación utilizando Tensorflow
5.4.3. Ejemplo de clasificación utilizando Pytorch
5.5. Problemas de regresión
5.5.1. Regresión con Tensorflow
5.5.2. Regresión con Pytorch
5.6. Redes de convolución
5.6.1. Ejemplo de clasificación utilizando Tensorflow
5.6.2. Ejemplo de clasificación utilizando Pytorch
5.6.3. Convoluciones 3D
5.7. Redes recurrentes
6. Redes neuronales de clasificación
6.1. Transfer learning
6.2. Clasificación con Tensorflow
6.3. Mapas de calor con Tensorflow
6.4. Clasificación con Pytorch
6.5. Mapas de calor con Pytorch
6.6. Matriz de confusión con Pytorch
6.7. Redes ViT
6.8. Ejemplo de modelo ViT utilizando Pytorch
6.9. Comparativa de modelo ViT con modelo ConvNeXt-base utilizando Pytorch
7. Clasificación en vídeo
7.1. Obtención de los vectores de características para la clasificación
DC-SASS utilizando Tensorflow
7.2. Entrenamiento de la LSTM de clasificación de DCSASS utilizando Tensorflow
8. Redes siamesas
8.1. Ejemplo de red siamesa utilizando Tensorflow
9. Redes generativas antagonicas (GAN)
9.1. Ejemplo de red generativa antagónica con Tensorflow
10. Redes de codificación automática (AutoEncoder-Decoder)
10.1. Ejemplo de AutoEncoder-Decoder con Tensorflow
11. Detección y segmentación de objetos
11.1. Detección
11.2. YOLO
11.2.1. Entrenamiento y detección con YOLO de manos
11.2.2. Entrenamiento y detección con YOLO de la Luna
11.3. Segmentación
11.3.1. Mask R-CNN
11.3.2. Entrenamiento y segmentación con Mask R-CNN
12. Reconocimiento de articulaciones y puntos de personas
12.1. OpenPose
12.2. BlazePose
12.3. Algunos modelos de MediaPipe y DLIB
13. Métodos combinados de integración de redes neuronales
13.1. Validación cruzada
13.2. Combinación de clasificadores
13.3. Cross Validation Voting (CVV)
13.4. Ejemplo de aplicación de CVV sobre CIFAR-10 con Pytorch
