Búsqueda · 33 momentos en 21 episodios
María RibesFrancis VillatoroHéctor SocasSara RobiscoGastón Giribetframework uned descargable en pythonredes neuronales convolucionales capas de convolucióntransformación de imágenes con redes convolucionalesimágenes más pequeñas para procesamiento rápidoPythonUNEDSara RobiscoVesubioHéctor SocasAndrésAstronomy and Astrophysics
Imágenes más pequeñas para procesamiento rápido
Ep502: Vitrificación; Supernova; Redes Neuronales; Cuerdas; Agujeros Negros
7 de marzo de 20255 momentos
Con
0:000:301:001:302:002:303:11
Sara Robisco explica cómo investigadores modificaron un framework de UNED (redes neuronales convolucionales) descargable en Python, adaptando su arquitectura básica.
…mejor caer en más falsos negativos y limpiar de menos. Entonces, teniendo nuestra red sencillita, algo sencillita, hablamos de una señora red neuronal: esto es Deep Learning con muchísimas capas. Pero bueno, algo que no es súper novedoso ni ultra laborioso. ¿Qué han hecho? Han cogido el framework tal cual de la UNED, el que te puedes descargar de Python, o sea, de arquitectura básica y la han cambiado. ¿Y qué han hecho? Hemos hablado que las redes convolucionales tienen unas capas que llamamos capas de convolución que lo que hacen es transformar la imagen. Normalmente lo que hacen es hacer esa imagen más pequeñita. ¿Por qué? Porque no podríamos imágenes grandes, necesitaríamos redes muy muy grandes y tardaría muchísimo en procesarlas. Entonces lo que va haciendo esta red es va haciendo más pequeñita la imagen para poder tratarla. ¿Y qué han hecho? Han metido una convolución especial que es convolución parcial. o sea, no reduces todo, reduces partes de la imagen. Luego aparte han metido una cosita que llamamos dropout en estas capas convolucionales. ¿Qué es el dropout? El dropout es un truco que usamos…
Significado #1
Héctor Socas explica cómo la rápida vitrificación del tejido cerebral preservó parte de su estructura tras la erupción del Vesubio, y cómo se analiza este proceso.
Habla: Héctor SocasPalabras #9vitrificación tejido cerebral vesubiotemperatura característica vitrificación procesos rápidosmuestras estudio paper scientific reports…paper porque lo que hacen es ir mirando, o sea, ellos la hipótesis que plantean aquí, que por supuesto no se puede, digamos, comprobar, pero es que hubo un calentamiento debido a esa nube súper caliente de la erupción que produjo un calentamiento muy rápido. eso seguramente vaporizó el agua pero todavía no destruyó completamente el tejido cerebral porque fue muy rápido y luego fue seguido un enfriamiento muy rápido. Entonces lo que busca en ese material cuando ocurre esa vitrificación hay una temperatura característica de la vitrificación que depende de cuán rápidos hayan sido los procesos de calentamiento y enfriamiento. o sea que no es que sea a una temperatura ocurre tal cosa, no es como que tú digas a 100 grados hierve el agua, sino que depende de cuánto de rápido lo hagas y entonces ellos cogieron unas muestras y estuvieron estudiando, yo es que leí un poquito algunas de estas cosas en el paper con un poquito de detalle estuvieron estudiando para ver en qué momento, pues claro, eso Que ha quedado vitrificado, si tú vuelves a calentarlo a la temperatura de esa vitrificación, vuelve a reblandecerse y convertirse otra vez en el tejido sin agua. Evidentemente está deshidratado, está dañado, pero vuelve a adquirir las propiedades de…
Sara Robisco explica cómo investigadores modificaron un framework de UNED (redes neuronales convolucionales) descargable en Python, adaptando su arquitectura básica.
Habla: Sara RobiscoSignificado #1framework uned descargable en pythonredes neuronales convolucionales capas de convolucióntransformación de imágenes con redes convolucionalesimágenes más pequeñas para procesamiento rápido…mejor caer en más falsos negativos y limpiar de menos. Entonces, teniendo nuestra red sencillita, algo sencillita, hablamos de una señora red neuronal: esto es Deep Learning con muchísimas capas. Pero bueno, algo que no es súper novedoso ni ultra laborioso. ¿Qué han hecho? Han cogido el framework tal cual de la UNED, el que te puedes descargar de Python, o sea, de arquitectura básica y la han cambiado. ¿Y qué han hecho? Hemos hablado que las redes convolucionales tienen unas capas que llamamos capas de convolución que lo que hacen es transformar la imagen. Normalmente lo que hacen es hacer esa imagen más pequeñita. ¿Por qué? Porque no podríamos imágenes grandes, necesitaríamos redes muy muy grandes y tardaría muchísimo en procesarlas. Entonces lo que va haciendo esta red es va haciendo más pequeñita la imagen para poder tratarla. ¿Y qué han hecho? Han metido una convolución especial que es convolución parcial. o sea, no reduces todo, reduces partes de la imagen. Luego aparte han metido una cosita que llamamos dropout en estas capas convolucionales. ¿Qué es el dropout? El dropout es un truco que usamos…
Sara Robisco explica cómo se evalúa el trabajo de una red neuronal en situaciones donde no se dispone de imágenes limpias para la comparación.
Habla: Sara RobiscoSignificado #19red neuronal imágenes limpiaslímite píxel variación robiscosuavizado red neuronal límites…pues han conseguido un poco el límite de ruido. ¿Qué hacen también? Pues eso, el ruido, un poco para evaluar cómo ha trabajado nuestra red. Podemos hacer tres aproximaciones. Podemos usar imágenes limpias, como he dicho siempre, y comparar, si tuviéramos, en Caso de no tener imágenes limpias, en caso de no tener las imágenes observacionales y usar unos límites en cuanto ese píxel varía con sus píxeles que le rodean en un límite marcado. Ellos trabajan con un límite de 100; he perdido la unidad. Trabajan con dos límites pues cuando superas el límite, lo marcas; este hay que cambiarlo y lo que hace es un suavizado o otro es. Para entrenar, haces estas aproximaciones y comparas el píxel. Lo que hacen es comparar el píxel antes del cambio y después del cambio, ¿vale? ¿Por qué? Porque tu red neuronal te devuelve esos píxeles marcados. Haces el cambio y tienes para comparar cómo…
Héctor Socas introduce un ejemplo de un artículo publicado en Astronomy and Astrophysics junto a Andrés, mostrando imágenes solares reales y su versión procesada por una red neuronal para ilustrar cómo esta última elimina el ruido.
Habla: Héctor SocasPalabras #13artículo andrés astronomy astrophysicsred neuronal elimina ruido solarimágenes solares reales vs procesadas…ver por qué esto se publica en Nature Astronomy. ¿Qué tiene de novedoso y bueno? Es lo que ha explicado Sara de que se entrena sin tener modelos previos y tal, pero te voy a poner un ejemplo porque es que lo tengo aquí porque como es de un paper mío lo tengo. Aquí al lado y esto es de un artículo que publiqué con Andrés en 2023; creo que fue en Astronomy and Astrophysics. Iba sobre otra cosa, no iba sobre filtrar ruido, pero aquí puedes ver un ejemplo de imágenes solares: la imagen real observada y cómo queda después de que la procese la red neuronal. Ves que la filtra todo el ruido que tiene. pero no era para eso, el propósito de la red no era filtrar el ruido, estaba haciendo otras cosas pero como subproducto, y de hecho solo mencionamos una frase, una frase en la que se dice, y bueno, como subproducto tenemos una imagen también más limpia de…
Héctor Socas continúa la discusión sobre las posibles explicaciones para los detalles observados en las imágenes de agujeros negros, planteando la necesidad de considerar la existencia de múltiples agujeros negros intermedios o una alta probabilidad de alineación.
Habla: Héctor SocasPalabras #11alineación de agujeros negrosórbitas rápidas a gran distancia…de cosas que pueden estar pasando ahí, que son totalmente plausibles, como otro agujero negro interpuesto entre él y nosotros, y que podrían dar cuenta de las rugosidades, detalles de las que no estamos seguros su origen en estas sombras de agujeros negros. Lo que pasa es que esto, si uno extrapola un poco ese argumento, tendría que llegar a la conclusión de que hay un montón de estos agujeros negros intermedios alrededor o que si no es mucha coincidencia que se esté alineado, porque claro, a esa distancia tendría que orbitar muy rápido. Si orbita muy rápido la probabilidad... Tendríamos que ver varios de ellos, sí es cierto, ¿por qué puede haber uno cerca solamente? Si tendría que haber varios con esas masas y si hay un enjambre de agujeros negros cerca de ahí. No, y sobre todo porque tendría que estar alineado con nuestra línea…