Búsqueda · 18 momentos en 9 episodios
María RibesFrancis VillatoroHéctor SocasSara RobiscoGastón Giribetfalsos positivos análisis imágenesfalsos negativos limpieza datosred neuronal deep learning capasred neuronal no ultra laboriosaframework uned descargable en pythonredes neuronales convolucionales capas de convolucióntransformación de imágenes con redes convolucionalesimágenes más pequeñas para procesamiento rápidoconvolución parcial en redes neuronalestécnica dropout entrenamiento convolucionalprobabilidad p activación capas dropoutarquitectura red diferente iteración entrenamientoneuronas desactivadas capa dropoutredes neuronales convolucionales generalizaciónpocos datos entrenamiento redes neuronalessesgos en conjuntos imágenes pequeñasarquitectura neuronal problemas entrenamientodropout mitiga sobreentrenamiento redes neuronalesredes neuronales convolucionales pocos datoslímite de ruido evaluación red neuronalPythonUNEDSara RobiscoNoise to NoiseNature AstronomyDeep Learning
Redes Neuronales convolucionales capas de convolución
Ep502: Vitrificación; Supernova; Redes Neuronales; Cuerdas; Agujeros Negros
7 de marzo de 20252 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.
…destacan; tú puedes llevar una camiseta negra con un dibujito blanco, entonces tú tienes que determinar que eso es ruido o no. Entonces, claro, tienes una serie de límites establecidos para evitar problemas de que detecte cosas que no son falsos positivos. Sobre esto también podríamos hablar porque aquí no podemos caer en falsos positivos; es 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 que consiste en en el entrenamiento lo que hace la red es con una probabilidad P que le metemos a las capas, las activa o desactiva. dependiendo de esa probabilidad lo que te determina es no la uses entonces que te garantizamos con esto que en cada iteración del entrenamiento la arquitectura de nuestra red es diferente no estás entrenando nunca la misma red la red cambia su arquitectura porque tienes capas que nos que pasa con esto o neuronas dentro de la capa que no usas o puedes hacer a nivel de capa o neuronal bueno qué pasa con esto que lo que consigues es es que tu red generaliza mucho mejor. Entonces, en casos en los que tú imagínate, tenemos muy poquitas imágenes para tratar o para investigar, para meter en nuestra red y entrenarla en conjuntos con pocas imágenes, pues una red convolucional normal o una red neuronal plantearía problemas por entrenamiento y sesgos. Entonces, es un problemón. Con este dropout quitas un poquito ese riesgo, de hecho ayuda bastante a quitar ese riesgo y permite que no caiga en esta falta de poder generalizar, en este sobreentrenamiento y funcione mejor. Entonces, con esto tan sencillo, 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…
Significado #1 · Palabras #3
Sara Robisco comenta sobre una red neuronal llamada 'Noise to Noise' desarrollada por investigadores para mejorar imágenes astronómicas ruidosas.
Habla: Sara RobiscoSignificado #5 · Palabras #7red neuronal noise to noiseinvestigadores universidad nedredes neuronales convolucionales u…terrestres como que están en el espacio. Tú tienes la imagen, pero tienes la imagen como te llega, con ruido; no lo puedes entrenar con imágenes limpias de todo porque esa imagen limpia de todo no existe porque tú no sabes si lo estás quitando bien de todo. Ellos dicen: ¿Qué pasa con esto? Ellos dicen que han creado una red neuronal llamada Noise to Noise y además es muy sencillita. ¿No os imaginéis algo muy tremendamente laborioso? Es una UNED, este tipo de redes neuronales es un tipo de red neuronal convolucional que hace una forma de U. ¿Para qué las usamos? Las UNED las usamos en medicina; son muy conocidas, muy usadas, tienen unos resultados estupendos; se usan en medicina para segmentar. ¿Qué te hace? ¿Qué es segmentar? Tú le metes imágenes de rayos X, le metes una imagen en 3D de una resonancia magnética y…
Sara Robisco explica cómo investigadores modificaron un framework de UNED (redes neuronales convolucionales) descargable en Python, adaptando su arquitectura básica.
Habla: Sara RobiscoSignificado #1 · Palabras #3falsos positivos análisis imágenesfalsos negativos limpieza datosred neuronal deep learning capasred neuronal no ultra laboriosaframework uned descargable en pythonredes neuronales convolucionales capas de convolucióntransformación de imágenes con redes convolucionalesimágenes más pequeñas para procesamiento rápidoconvolución parcial en redes neuronalestécnica dropout entrenamiento convolucionalprobabilidad p activación capas dropoutarquitectura red diferente iteración entrenamientoneuronas desactivadas capa dropoutredes neuronales convolucionales generalizaciónpocos datos entrenamiento redes neuronalessesgos en conjuntos imágenes pequeñasarquitectura neuronal problemas entrenamientodropout mitiga sobreentrenamiento redes neuronalesredes neuronales convolucionales pocos datoslímite de ruido evaluación red neuronal…destacan; tú puedes llevar una camiseta negra con un dibujito blanco, entonces tú tienes que determinar que eso es ruido o no. Entonces, claro, tienes una serie de límites establecidos para evitar problemas de que detecte cosas que no son falsos positivos. Sobre esto también podríamos hablar porque aquí no podemos caer en falsos positivos; es 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 que consiste en en el entrenamiento lo que hace la red es con una probabilidad P que le metemos a las capas, las activa o desactiva. dependiendo de esa probabilidad lo que te determina es no la uses entonces que te garantizamos con esto que en cada iteración del entrenamiento la arquitectura de nuestra red es diferente no estás entrenando nunca la misma red la red cambia su arquitectura porque tienes capas que nos que pasa con esto o neuronas dentro de la capa que no usas o puedes hacer a nivel de capa o neuronal bueno qué pasa con esto que lo que consigues es es que tu red generaliza mucho mejor. Entonces, en casos en los que tú imagínate, tenemos muy poquitas imágenes para tratar o para investigar, para meter en nuestra red y entrenarla en conjuntos con pocas imágenes, pues una red convolucional normal o una red neuronal plantearía problemas por entrenamiento y sesgos. Entonces, es un problemón. Con este dropout quitas un poquito ese riesgo, de hecho ayuda bastante a quitar ese riesgo y permite que no caiga en esta falta de poder generalizar, en este sobreentrenamiento y funcione mejor. Entonces, con esto tan sencillo, 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…