000061107 001__ 61107 000061107 005__ 20170510132216.0 000061107 037__ $$aTAZ-TFG-2016-4352 000061107 041__ $$aspa 000061107 1001_ $$aLagunas Arto, Manuel 000061107 24200 $$aDeep Learning in art and illustration 000061107 24500 $$aDeep Learning en el arte y la ilustración 000061107 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2016 000061107 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000061107 520__ $$aEl siguiente proyecto investiga las técnicas del aprendizaje profundo denominadas Deep Learning, que consisten en añadir un conjunto de capas no-lineales a las arquitecturas tradicionales de redes neuronales. Esta técnica consigue tener una mayor precisión y capacidad de abstracción para realizar tareas que, anteriormente, se asumían tan solo realizables con altos porcentajes de éxito por los humanos. Más concretamente, en este proyecto se trata de comprender la forma de trabajo de las redes neuronales profundas, los algoritmos de optimización que emplean y su particular aplicación al problema de la clasicación de imágenes tanto naturales como artísticas. El problema de la clasicación de imágenes se trata de una tarea sencilla para el ser humano dada la experiencia adquirida con el paso de los años, pero realmente compleja de realizar por ordenadores, que deben traducir un conjunto de número (píxeles) en etiquetas con sentido semántico. Además, se evaluarán las arquitecturas ya existentes en un nuevo dominio, las imágenes artísticas o ilustraciones, cuyas características a bajo y medio nivel dieren completamente de las imágenes naturales. Estas particularidades harán que su clasicación sea más compleja, sesgando las capacidades de abstracción de las redes pre entrenadas y, por tanto, obteniendo poco éxito con su uso. Para obtener altos porcentajes de precisión se hará uso de la red como generador de descriptores de la clase, que van a ser clasicados usando una máquina de soporte de vectores. Además, con el n de mejorar dichos resultados, se optimizarán los parámetros de la red de manera que los descriptores generados sean más precisos. Mejorando la precisión en hasta un 70%. 000061107 521__ $$aGraduado en Ingeniería Informática 000061107 540__ $$aDerechos regulados por licencia Creative Commons 000061107 700__ $$aGarcés García, Elena$$edir. 000061107 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos 000061107 7202_ $$aGutiérrez Pérez, Diego$$eponente 000061107 8560_ $$f504185@celes.unizar.es 000061107 8564_ $$s34438228$$uhttps://zaguan.unizar.es/record/61107/files/TAZ-TFG-2016-4352.pdf$$yMemoria (spa) 000061107 909CO $$ooai:zaguan.unizar.es:61107$$pdriver$$ptrabajos-fin-grado 000061107 950__ $$a 000061107 951__ $$adeposita:2017-05-10 000061107 980__ $$aTAZ$$bTFG$$cEINA