Construcción de un extractor de características basado en modelos pre-entrenados de redes neuronales convolucionales, para la identificación de imágenes de pinturas coloniales de la ciudad del Cusco

• Autores: Castilla Condori, Yesenia Erika, Centeno Delgado, Harried All
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional de San Antonio Abad del Cusco
• Repositorio: UNSAAC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsaac.edu.pe:20.500.12918/6319
• Enlace del recurso: http://hdl.handle.net/20.500.12918/6319
• Nivel de acceso: acceso restringido
• Materia: Aprendizaje de máquina; Redes neuronales; Modelo pre-entrenado; Pinturas coloniales; http://purl.org/pe-repo/ocde/ford#1.02.00

El presente trabajo pretende identificar imágenes de pinturas coloniales de la ciudad del Cusco. En específico, a la hora de capturar imágenes; estas pueden presentar diferentes desafíos tales como distorsiones, capturas desde diferentes ángulos, similaridad entre imágenes de diferentes clases y estilos artísticos parecidos entre pinturas de diferentes clases. Sin embargo, la verdadera dificultad radica al momento de representar una imagen (extraer características) a través de un vector, este inconveniente puede ser mitigado de varias formas, ya sea utilizando descriptores locales o globales tales como SIFT y SURF, respectivamente. No obstante, en este trabajo se pretende utilizar modelos pre-entrenados de redes neuronales convolucionales, para conseguir un extractor de características más robusto, debido a que estos presentan una tasa de acierto elevada frente a otros métodos tradicionales de visión computacional. Así mismo, se comparan los resultados obtenidos entre los modelos pre-entrenados Inception-V3 y ResNet y el nuevo extractor de características propuesto en este trabajo; aquel basado en la combinación de los modelos pre-entrenados previos. De esta comparación, se identifico que los resultados generados por el método propuesto son superiores a los resultados generados por Inception-V3 y ResNet.