Tesis "Sintonización Automática de la Red Neuronal de Pulso Acoplado Mediante Evolución Diferencial para la Segmentación de Imágenes"
Alumno: Juanita Hernández López
Asesor: Dr. Wilfrido Gómez Flores
Sinodales: Dr. Ricardo Landa Becerra, Dr. José Juan García Hernández
Resumen:
La red neuronal de pulso acoplado (PCNN, \textit{pulse-coupled neural network}) está basada en el modelo cortical propuesto por Eckhorn. A diferencia de otro tipo de redes neuronales, la PCNN es modulada y acoplada. Estos aspectos permiten conservar características relevantes de la imagen, por lo que es ampliamente utilizada en tareas como la segmentación de imágenes. Sin embargo, el desempeño de la PCNN depende particularmente de la configuración de sus parámetros de entrada. Actualmente, diversas técnicas de inteligencia computacional han sido utilizadas en la sintonización automática de la PCNN. La mayoría de esas técnicas utilizan la medida de entropía como función de costo, sin tomar en cuenta La relación de dispersión inter-/intra-grupo existente entre los píxeles relacionados a los objetos de interés y al fondo. Por tanto, en este trabajo de tesis se propone utilizar el algoritmo de evolución diferencial junto con un índice de validez de grupos como función de costo para cuantificar la calidad de la segmentación con el fin de guiar la búsqueda hacia los mejores parámetros de la PCNN que obtengan una segmentación adecuada de la imagen de entrada. Los experimentos se realizaron sobre imágenes reales y simuladas, y los resultados obtenidos indican que el método propuesto obtuvo el mejor desempeño de segmentación con baja dispersión. En términos del índice ARI los valores de mediana fueron 0.772, superando a dos algoritmos de la literatura basados en técnicas automáticas, algoritmo genético y optimización por cúmulo de partículas, que obtuvieron en mediana de desempeño 0.434 y 0.046, respectivamente, y que utilizan la entropía como función de costo para la sintonización de los parámetros de la PCNN.