Jornada de investigación de Doctorandos Julio 2023
Fecha: 12 de julio de 2023
Organización de las Jornadas
- La jornada estará organizada en sesión única a las 13:00.
- Cada ponente dispondrá de 10 minutos para realizar su presentación más 5 minutos para responder a preguntas.
- Las ponencias serán presenciales (en la sala de grados de la Facultad de Informática), mientras que la asistencia podrá ser presencial u online (por Google Meet, en un enlace enviado por correo electrónico a ponentes e interesados potenciales).
Presentaciones
Sesión 1: 13:00 - 14:30
Ponente | Ponencia | Resumen |
---|---|---|
Rubén Macías Igari | Aceleración del algoritmo ATDCA para extracción de endmembers de imágenes hiperespectrales con Intel oneAPI para FPGAs |
Las imágenes hiperespectrales son una de las tecnologías más asentadas en observación remota. En este tipo de imágenes, cada píxel es el resultado de la reflectancia de la luz a lo largo de cientos de bandas espectrales. Estas bandas están muy próximas entre sí por lo que, si representamos gráficamente la reflectancia de la luz de un píxel a lo largo de cada una de las bandas, obtenemos una firma espectral continua. El análisis de la firma espectral de un píxel para encontrar los materiales puros (endmembers) de los que se compone y la fracción de abundancia de cada uno de ellos se conoce como desmezclado hiperespectral. Para llevar a cabo este análisis se requiere utilizar tecnología computacional de alto rendimiento debido a la alta dimensionalidad de datos y a la alta complejidad de los algoritmos de desmezclado. Las FPGAs brindan flexibilidad, bajo consumo de energía y un gran rendimiento. Se necesitan métodos de desarrollo alternativos más rápidos que los tradicionales lenguajes HDL ya que la velocidad a la que se desarrollan nuevos algoritmos para el análisis hiperespectral es sustancialmente más alta que la velocidad a la que estos algoritmos se implementan en FPGA. La síntesis de alto nivel (HLS) es un método de desarrollo alternativo que ayuda con la transformación de una descripción del comportamiento del hardware en un modelo de nivel de transferencia de registro (RTL), reduciendo así los tiempos de desarrollo. En este trabajo, el Automatic Target Detection and Classification Algorithm (ATDCA) se aceleró en FPGA utilizando Dataparalell C++ (DPC++) e Intel oneAPI. El análisis del algoritmo y las tres implementaciones realizadas consiguen una aceleración superior a 13x.
|
Fredy Barrientos Espillco | Detección temprana de blooms de cianobacterias desde la perspectiva de un VAS usando métodos basados en Deep learning con imágenes sintéticas |
Las proliferaciones de cianobacterias nocivas, conocidas como CyanoHBs (del inglés Cyano Harmful Blooms), constituyen un problema a escala mundial por su aumento en todas las masas de agua del planeta. Es importante detectar de forma temprana y monitorizar su presencia, debido a los problemas de salud pública asociados a las cianotoxinas que producen. El procedimiento actual más usado, consistente en la recolección manual de muestras de agua y su posterior análisis en laboratorios es un procedimiento costoso e inabordable en todas las masas de agua existentes, por lo que es necesario explorar alternativas más accesibles y económicas. La detección remota a partir del procesamiento de las imágenes satelitales tampoco soluciona el problema, ya que las condiciones meteorológicas y la frecuencia de paso de los satélites no permiten capturar la dinámica más rápida del CyanoHBs. Por este motivo, en esta presentación se expone un nuevo enfoque basado en Deep Learning con Redes Neuronales Convolucionales (DL-RNC) aplicadas a imágenes captadas con cámaras a bordo de Vehículos Autónomos de Superficie (VAS). Más concretamente, se proponen y configuran varios modelos de redes de segmentación semántica basados en la estrategia encoder/decoder. Con ellos se realiza un análisis comparativo entre sí y frente a métodos clásicos de clasificación tanto en imágenes reales como sintéticas, estas últimas generadas con modelos GANs (Generative Adversial Networks). En su conjunto, se presenta un trabajo de técnicas avanzadas que contiene varias estrategias dentro del ámbito DL-RNC y que se ha publicado recientemente en la revista Applied Soft Computing. |
Luis Alberto Martínez Hernández | Arquitectura base para el análisis del contexto de la información procedente de un dispositivo físico utilizando técnicas de NLP | Uno de los desafíos más críticos del proceso forense es analizar y clasificar la información en los dispositivos, identificando los datos relevantes y valiosos para un propósito específico. Esta fase del proceso forense es una de las más complejas y lentas, y requiere analistas expertos para evitar pasar por alto datos relevantes para la investigación. Los avances recientes en el aprendizaje automático permiten la creación de nuevas arquitecturas para aumentar significativamente el rendimiento del análisis de la información y realizar el proceso de búsqueda inteligente de forma automática, reduciendo el tiempo de análisis e identificando relaciones entre archivos en función de parámetros iniciales. En esta presentación realizaremos una revisión de la arquitectura base para realizar un análisis exhaustivo de la información multimedia contenida en dispositivos incautados en un proceso forense, utilizando técnicas de procesamiento de lenguaje natural y comprensión del lenguaje natural para la clasificación automática de documentos en dispositivos incautados. |
Sandra Pérez Arteaga | Arquitectura para la detección de Grooming en dispositivos móviles. | El uso diario de las tecnologías móviles vivimos en constante conexión con el mundo a través de Internet. Las innovaciones tecnológicas en los dispositivos inteligentes nos han permitido realizar actividades cotidianas como comunicarnos, trabajar, estudiar o usarlos como medio de entretenimiento, provocando que los usuarios demanden aplicaciones o funcionalidades más inteligentes que les permitan satisfacer sus necesidades. El uso de aplicaciones que hacen uso de la inteligencia artificial ha revolucionado nuestras vidas, desde hacer predicciones de posibles palabras a partir de teclear en un cuadro de texto, hasta poder desbloquear dispositivos a través del reconocimiento de patrones. Debido a esto se está desarrollando una aplicación Antigrooming que permita reducir el riesgo de exposición de un menor a un posible agresor. La arquitectura base de esta aplicación está compuesta por dos aplicaciones una del menor de edad y otra de los padres donde al recibir una notificación de mensajería Instantánea en la aplicación está Analizará imágenes, videos y texto en el cual se verificará si en estas existe contenido sexual, si es el caso se bloqueará y se mandará una notificación al padre del menor y este realizará las acciones correspondientes. |