| dc.contributor | Grinblat, Guillermo | |
| dc.contributor | Granitto, Pablo | |
| dc.creator | Escarrá, Martín | |
| dc.date | 2016-09-29T15:41:42Z | |
| dc.date | 2016-09-29T15:41:42Z | |
| dc.date | 2016-03-08 | |
| dc.date | 2016-09-29T15:41:42Z | |
| dc.date | 2016-09-29T15:41:42Z | |
| dc.date | 2016-03-08 | |
| dc.date.accessioned | 2019-05-17T20:15:15Z | |
| dc.date.available | 2019-05-17T20:15:15Z | |
| dc.identifier | http://www.fceia.unr.edu.ar/lcc/t523/tesina.php?campo1=90 | |
| dc.identifier | http://hdl.handle.net/2133/6552 | |
| dc.identifier | http://hdl.handle.net/2133/6552 | |
| dc.identifier.uri | http://repositorioslatinoamericanos.uchile.cl/handle/2250/2678317 | |
| dc.description | Las arquitecturas profundas permiten representar de manera compacta funciones altamente no lineales. Entre ellas, las redes convolucionales han adquirido gran protagonismo en la clasificación de imágenes debido a la invarianza traslacional de sus features. Este trabajo propone investigar un abordaje naïve para la clasificación de videoimágenes con redes profundas, comparar la performance de redes pre-entrenadas con la de redes ad-hoc y finalmente crear un mecanismo de visualización de la representación interna de la arquitectura. Como ejemplo de aplicación se utilizarán segmentos de videos deportivos con diferentes acciones grupales. | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Facultad de Ciencias Exactas, Ingeniería y Agrimensura. Universidad Nacional de Rosario | |
| dc.rights | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.rights | http://creativecommons.org/publicdomain/zero/1.0/ | |
| dc.rights | openAccess | |
| dc.subject | machine learning | |
| dc.subject | deep learning | |
| dc.subject | redes convolucionales | |
| dc.subject | video | |
| dc.subject | deportes | |
| dc.title | Aprendizaje multiclase de videoimágenes deportivas con arquitecturas profundas | |
| dc.type | Tesis | |
| dc.type | tesis de grado | |
| dc.type | Artículos de revistas | |
