Explotación de Spiking Neural Networks para la generación de carácteres manuscritos
Serret Llopis, Aksel
Otazu Porter, Xavier, tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Fornes Bisquerra, Alicia, tut. (Universitat Autònoma de Barcelona. Departament de Ciències de la Computació)
Universitat Autònoma de Barcelona. Escola d'Enginyeria

Títol variant:	Exploració de Spiking Neural Networks per a la generació de caràcters manuscrits
Títol variant:	Exploration of Spiking Neural Networks for Handwritten Character Generation
Data:	2025
Resum:	Aquest treball explora l'ús de les xarxes neuronals espigolades (SNN) per generar traços manuscrits de caràcters, posant especial èmfasi tant en l'aprenentatge de múltiples lletres com en la capacitat de produir variacions estilístiques dins d'un mateix caràcter. Es desenvolupen experiments amb un escalat progressiu del nombre de caràcters (d'1 a 26), complementats amb tècniques d'entrenament per lots, suavització de trajectòries i interpolació d'estils, especialment cursives. A més, s'investiga com les SNN poden aprendre variacions d'un mateix caràcter generant traços consistents a partir de diferents spiketrains. L'ús de l'algorisme e-prop fa possible un aprenentatge eficient sense recórrer al Backpropagation through time, i les SNN demostren una bona capacitat de generalització fins i tot amb pocs exemples. Tot i que l'error tendeix a augmentar en introduir més caràcters o estils, el model és capaç d'escalar, generar variacions, interpolacions, concatenar caràcters i aprendre un concepte abstracte per generalitzar-lo.
Resum:	Este trabajo explora el uso de spiking neural networks (SNN) para generar trazos manuscritos de caracteres, poniendo especial énfasis tanto en el aprendizaje de múltiples letras como en la capacidad de producir variaciones estilísticas dentro del mismo carácter. Se desarrollan experimentos con un escalado progresivo del número de carácteres (de 1 a 26), complementados con técnicas de entrenamiento por batches, suavizado de trayectorias e interpolación de estilos, especialmente itálicas. Además, se investiga cómo las SNN pueden aprender variaciones del mismo carácter generando trazos consistentes a partir de spiketrains diferentes. El uso del algoritmo e prop hace posible un aprendizaje eficiente sin recurrir a Back propagation through time, y las SNN demuestran una buena capacidad de generalización incluso con pocos datos. A pesar de que el error tiende a aumentar al introducir más caracteres o estilos, el modelo es capaz de escalar, generar variaciones, interpolaciones, concatenado de caracteres y Aprender un concepto abstracto y generalizarlo.
Resum:	This work explores the use of Spiking Neural Networks (SNNs) to generate handwritten character strokes, with special emphasis on learning multiple letters and the ability to produce stylistic variations within the same character. Experiments are conducted with a progressive scaling of the number of characters (from 1 to 26), complemented by batch training techniques, trajectory smoothing, and style interpolation, especially italics. Furthermore, the study investigates how SNNs can learn variations of the same character by generating consistent strokes from different spiketrains. The use of the e-prop algorithm enables efficient learning without relying on Backpropagation Through Time, and SNNs demonstrate strong generalization capability even with limited data. Although the error tends to increase when more characters or styles are introduced, the model is able to scale, generate variations, interpolations, concatenate characters, and learn and generalize an abstract concept.
Drets:	Aquest document està subjecte a una llicència d'ús Creative Commons. Es permet la reproducció total o parcial, la distribució, 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.
Llengua:	Castellà
Titulació:	Grau en Enginyeria de Dades [2503758]
Pla d'estudis:	Enginyeria de Dades [1394]
Document:	Treball final de grau ; Text
Matèria:	Spiking Neural Network ; Spikes ; Processament temporal ; Eficiència energètica ; Generació manuscrita ; Variabilitat ; Interpolació ; Estil cursiva ; E-prop ; Traces d'elegibilitat ; NEST ; PyNEST ; Spiking neural network ; Procesamiento temporal ; Eficiencia energética ; Generación manuscrita ; Variabilidad ; Interpolación ; Estilo itálico ; E prop ; Trazas de elegibilidad ; Temporal processing ; Energy efficiency ; Handwritten generation ; Variability ; Interpolation ; Italic style ; Eligibility traces

11 p, 9.2 MB

El registre apareix a les col·leccions:
Documents de recerca > Treballs de Fi de Grau > Escola d'Enginyeria. TFG