Robust visual recognition with deep neural networks
La confianza sobre herramientas automáticas para el análisis de patrones visuales depende del rendimiento de estos métodos, su robustez frente a perturbaciones en los datos y la interpretabilidad de sus resultados. En el caso de imágenes médicas, un método robusto a perturbaciones que pueda superar...
- Autores:
-
Daza Barragán, Laura Alexandra
- Tipo de recurso:
- Doctoral thesis
- Fecha de publicación:
- 2023
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/69214
- Acceso en línea:
- http://hdl.handle.net/1992/69214
- Palabra clave:
- Machine learning
Inteligencia artificial
Redes neuronales
Robustez adversaria
Computer vision
Segmentacion semantica
Image classification
Video classification
Object detection
Medical image analysis
Ingeniería
- Rights
- openAccess
- License
- Attribution-NonCommercial-NoDerivatives 4.0 Internacional
| Summary: | La confianza sobre herramientas automáticas para el análisis de patrones visuales depende del rendimiento de estos métodos, su robustez frente a perturbaciones en los datos y la interpretabilidad de sus resultados. En el caso de imágenes médicas, un método robusto a perturbaciones que pueda superar los desafíos inherentes a la tarea (datos limitados, gran varianza entre clases, imágenes volumétricas, etc.) sería una poderosa herramienta para ayudar expertos médicos y, por lo tanto, mejorar el diagnóstico y la selección del tratamiento. En imágenes naturales y videos, estos métodos podrían ser aplicados en escenarios de la vida real cuya seguridad es un aspecto crítico. En esta tesis proponemos realizar un análisis profundo de la robustez de redes neuronales aplicadas en distintos escenarios. Específicamente, proponemos estrategias para evaluar y mejorar la robustez de algoritmos diseñados para múltiples tareas en el dominio médico, de imágenes naturales y videos. |
|---|