Búsqueda · 18 momentos en 13 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 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 neuronalred neuronal imágenes limpiaslímite píxel variación robiscosuavizado red neuronal límitesred neuronal aprendizaje no supervisadopíxel antes del cambio píxel despuésumbral para detectar ruidoimagen sin etiquetar sistema no supervisadoPythonUNEDSara RobiscoNoise to NoiseNature Astronomyrayos XAndrésAstronomy and AstrophysicsHéctor Socas
Transformación de imágenes con Redes Convolucionales
Ep502: Vitrificación; Supernova; Redes Neuronales; Cuerdas; Agujeros Negros
7 de marzo de 20253 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 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 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 estabas antes y cómo estás después. Si ese cambio es mayor que otro umbral, dices, ¿vale? Parece que eso era ruido o pues no parece que hubiera ruido, y mediante estas estrategias es como ellos evalúan la red neuronal porque tengamos en cuenta es un sistema no supervisado: tú no tienes la imagen etiquetada, tú no tienes la imagen pura prístina que te sale del telescopio porque no existe esa imagen. El instrumento bien por las lentes, bien por el sistema, bien por lo que sea puede tener por polvo, puede tener ruido. Va a tener ruido siempre, entonces es interesante este enfoque; sí que el artículo plantea esto bastante bien. Tiene un tema que no me gusta y es la selección de conjunto de entrenamiento y test. Han elegido 10 imágenes y lo han hecho un poco al revés: ¿cómo…
Significado #1 · Palabras #1
Sara Robisco comenta sobre una red neuronal llamada 'Noise to Noise' desarrollada por investigadores para mejorar imágenes astronómicas ruidosas.
Habla: Sara RobiscoSignificado #7 · Palabras #4redes neuronales imágenes astronómicasruido desconocido sensores telescopiosimagen limpia inexistente astronomíaautoencoder imagen original sin ruidored neuronal noise to noiseinvestigadores universidad nedredes neuronales convolucionales uuned segmentan imágenes médicassegmentación tumores rayos xresonancia magnética identifica hígado…te das cuenta de que igual sí que tienes un miguilla? ¿Por qué? Porque ellos aquí lo que plantean es una cosa que no habíamos tenido en cuenta. Cuando nosotros filtramos las imágenes de ruido con métodos no supervisados, lo que hacemos es tomamos una imagen. La metemos ruido adicional que generamos nosotros. Solo un conjunto de imágenes así con ruido generado. Ponemos a que la red entrene con ellas y comparamos los resultados de nuestro autoencoder con la imagen original sin el ruido. Dices, oye, ¿feitra bien o feitra mal? Muy bien, pero ¿qué pasa con las imágenes astronómicas? ¿Qué pasa cuando el ruido es un artefacto que introducen sensores? ¿Cuando el ruido es algo que no somos ni siquiera conscientes de ello? O sea, cuando no tenemos la imagen limpia de todo, en casos de imágenes astronómicas, en casos obtenidas por telescopios tanto 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 ella lo que te dice es: esto de aquí es un tumor o esto de aquí; y te lo marca, esto es el hígado o lo que tú quieras; te marca aquello que tal. Entonces, ¿qué hace esta UNED? Lo que hace es que marca aquellos píxeles que ya detecta que son anómalos. Son como que no cuadran y en base a ellos lo que se hace es una corrección. Entonces, la idea es buena; ellos tienen unos límites en cuanto a ese límite…
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 #1framework 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 neuronalred neuronal imágenes limpiaslímite píxel variación robiscosuavizado red neuronal límitesred neuronal aprendizaje no supervisadopíxel antes del cambio píxel despuésumbral para detectar ruidoimagen sin etiquetar sistema no supervisado…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 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 estabas antes y cómo estás después. Si ese cambio es mayor que otro umbral, dices, ¿vale? Parece que eso era ruido o pues no parece que hubiera ruido, y mediante estas estrategias es como ellos evalúan la red neuronal porque tengamos en cuenta es un sistema no supervisado: tú no tienes la imagen etiquetada, tú no tienes la imagen pura prístina que te sale del telescopio porque no existe esa imagen. El instrumento bien por las lentes, bien por el sistema, bien por lo que sea puede tener por polvo, puede tener ruido. Va a tener ruido siempre, entonces es interesante este enfoque; sí que el artículo plantea esto bastante bien. Tiene un tema que no me gusta y es la selección de conjunto de entrenamiento y test. Han elegido 10 imágenes y lo han hecho un poco al revés: ¿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 #19artículo 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…