Descripción de los colores de una imagen mediante técnicas de deep learning
Prades Palacios, Oscar
Benavente i Vidal, Robert, dir. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Additional title: Description of the colors of an image with deep learning techniques
Additional title: Descripció dels colors d'una imatge amb tècniques de deep learning
Date: 2017-06-28
Abstract: En este proyecto proponemos una solución para la descripción de los colores de una imagen, basada en el modelo propuesto por Wang et al. [10]. En una primera fase, se implementa un modelo auto-supervisado en el cual se utilizan como supervisión los histogramas de color generados por las mismas imágenes utilizadas durante el aprendizaje. Este modelo refleja las características del color de las imágenes sin la influencia de muestras erróneas. Para lidiar con las imágenes mal etiquetadas, implementamos un método de selección de muestras que filtra dichas imágenes y las descarta de la fase de entrenamiento del modelo. En una segunda fase, procedemos a refinar el modelo para que aprenda a etiquetar los colores con su respectivo nombre. Se propone una mejora respecto al modelo previo utilizando imágenes distintas durante el entrenamiento, obteniendo así un modelo con mayor rendimiento. Para finalizar se hacen varios experimentos con todos los modelos implementados para poder analizar y comparar su rendimiento.
Abstract: The aim of this project is to propose a solution for the description of the colors of an image, based on the model proposed by Wang et al. [10]. In a first stage, a self-supervised model is implemented and trained with the color histograms generated by the images used in the learning process. This model reflects the color characteristics of images without the influence of noisy samples. To deal with poorly labeled images, we implemented a sample selection method that filters these images and excludes them from the training phase of the model. In a second stage, we proceed to refine the model so it learns to label the colors with their appropriate name. It is proposed an improvement over the previous model using different images in the process training, obtaining a model with higher performance. Finally, several experiments are carried out with all models implemented in order to analyze and compare their performance.
Abstract: En aquest projecte proposem una solució per a la descripció dels colors d'una imatge, basada en el model proposat per Wang et al. [10]. En una primera fase, s'implementa un model auto-supervisat en el qual s'utilitzen com supervisió els histogrames de color generats per les mateixes imatges utilitzades durant l'aprenentatge. Aquest model reflecteix les característiques del color de les imatges sense la influència de mostres errònies. Per bregar amb les imatges mal etiquetades, implementem un mètode de selecció de mostres que filtra aquestes imatges i les descarta de la fase d'entrenament del model. En una segona fase, procedim a refinar el model perquè aprengui a etiquetar els colors amb el seu respectiu nom. Es proposa una millora respecte al model previ utilitzant imatges diferents durant l'entrenament, obtenint així un model amb major rendiment. Per finalitzar es fan diversos experiments amb tots els models implementats per poder analitzar i comparar el seu rendiment.
Rights: Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial i la comunicació pública de l'obra, sempre que no sigui amb finalitats comercials, i sempre que es reconegui l'autoria de l'obra original. No es permet la creació d'obres derivades. Creative Commons
Language: Castellà.
Studies: Enginyeria Informàtica [2502441]
Study plan: Enginyeria Informàtica [958]
Document: bachelorThesis ; Text
Subject area: Menció Computació
Subject: Xarxes neurals ; CNN ; Etiquetat de colors ; Tensorflow ; Aprenentatge autosupervisat ; Redes neuronales ; Etiquetado de colores ; Aprendizaje auto-supervisado ; Neural networks ; Color naming ; Self-supervised learning



12 p, 1.3 MB

The record appears in these collections:
Research literature > Bachelor's degree final project > School of Engineering

 Record created 2017-10-16, last modified 2019-07-19



   Favorit i Compartir