1. Repositorio Digital USFQ
  2. TESIS COLEGIO DE PREGRADO
  3. COLEGIO DE CIENCIAS E INGENIERÍAS (POLI)
  4. Tesis - Matemáticas
Por favor, use este identificador para citar o enlazar este ítem: http://repositorio.usfq.edu.ec/handle/23000/13697
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.advisorIbarra Fiallo, Julio, dir.-
dc.contributor.authorGavilima Pilataxi, Hugo Israel-
dc.date.accessioned2024-10-08T16:25:26Z-
dc.date.available2024-10-08T16:25:26Z-
dc.date.issued2023-02-15-
dc.identifier.citationTesis (Matemática), Universidad San Francisco de Quito, Colegio de Ciencias e Ingenierías ; Quito, Ecuador, 2024es_ES
dc.identifier.urihttp://repositorio.usfq.edu.ec/handle/23000/13697-
dc.descriptionThis research exposes the results obtained by experimenting using a Gaussian derivative neural network to perform crowd analysis in urban area the ShanghaiDataset database.Gaussian operators, based in Scale-Space Theory, allows processing visual information ingreater detail, especially in sets with different scales, occlusion problems, or complex scenarios,which results in perfect candidates to be used as a primitive structure in a layer in deep neural network to significantly reduce the number of hyperparameters in the model...es_ES
dc.description.abstractEn la presente investigación expone los resultados obtenidos al experimentar con una red neuronal de derivadas gaussiana para realizar análisis de multitudes para área urbana de la base de datos Shanghai Dataset. Los operadores gaussianos, basados en la Teoría Espacio-Escala, permiten procesar la información visual con mayor detalle, especialmente en conjuntos con diferentes escalas, problemas de oclusión o escenarios complejos, lo que resulta en candidatos perfectos para ser utilizados como estructura primitiva en una capa para una red neuronas de aprendizaje profundo, con lo cual la red reduciría significativamente el número de hiperparámetros en el modelo...es_ES
dc.format.extent42 h.es_ES
dc.language.isospaes_ES
dc.publisherQuitoes_ES
dc.rightsopenAccesses_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 Ecuador*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/ec/*
dc.subjectRedes neuronales (Computadores) - Tesis y disertaciones académicases_ES
dc.subjectAlgoritmoses_ES
dc.subject.otherMatemáticases_ES
dc.subject.otherCienciases_ES
dc.titleRedes neuronales multi-Canales de derivadas Gaussianas para el análisis de multitudeses_ES
dc.typebachelorThesises_ES
Aparece en las colecciones: Tesis - Matemáticas

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
138425.pdfTexto completo3.22 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons