Publication:
Sintonizador de hiperparámetros de redes neuronales usando computación natural (PSO: Optimización de Enjambre de Partículas)

Thumbnail Image
Files

Files

Primary Sintonizador de hiperparámetros de redes neuronales usando computación natural.pdf (3.46 MB)
 AutorizaciónPublicación_TrabajoDirigido_SantiagoRocha_SebastianRojas CSC.pdf (1.19 MB)
View Statistics
Reference Managers
Mendeley
Indexers
Google Scholar CORE
QR Code
QR Code
Authors

Authors

Rocha Cristancho, Santiago Andrés
Rojas Bueno, Sebastián
Abstract (Spanish)
El proyecto titulado "Sintonizador de hiperparámetros de redes neuronales usando computación natural (PSO: Optimización de enjambre de partículas)" tiene como objetivo desarrollar una solución automatizada para la sintonización de hiperparámetros en modelos de redes neuronales convolucionales (CNN), facilitando la obtención de resultados óptimos sin necesidad de una alta experiencia en el área. Utilizando el algoritmo de optimización por enjambre de partículas (PSO), se propone un framework que ha demostrado mejoras significativas en datasets como MNIST y CIFAR10 en comparación con otros sintonizadores existentes. Además, se ha desarrollado un modelo de reconocimiento facial basado en la arquitectura VGG16, evaluando la eficacia de la sintonización manual frente a la automática, alcanzando mejoras notables en la precisión del modelo. Este proyecto presenta una contribución significativa en la automatización de la sintonización de hiperparámetros, facilitando su aplicación en problemas complejos como el reconocimiento facial.
Abstract (English)
The project titled "Sintonizador de hiperparámetros de redes neuronales usando computación natural (PSO: Optimización de enjambre de partículas)" aims to develop an automated solution for hyperparameter tuning in convolutional neural network (CNN) models, enabling optimal results without requiring extensive expertise in the field. By employing the particle swarm optimization (PSO) algorithm, the proposed framework has shown significant improvements in datasets such as MNIST and CIFAR10 compared to existing tuners. Additionally, a facial recognition model based on the VGG16 architecture was developed, evaluating the effectiveness of manual versus automatic tuning, achieving notable improvements in model accuracy. This project makes a significant contribution to the automation of hyperparameter tuning, facilitating its application in complex problems like facial recognition.
Director

Advisors/Directors

Díaz Rozo, María Irma
Extent
102 páginas
URI: https://repositorio.escuelaing.edu.co/handle/001/3210
Collections

Collections

FA - Trabajos Dirigidos de Sistemas
References

Jason Brownlee. How to perform face recognition with vggface2in keras. https://machinelearningmastery.com/ how-to-perform-face-recognition-with-vggface2-convolutional-neural-network-in-keras/, 08 2020.

Andre Budiman, Fabian, Ricky Aryatama Yaputera, Said Achmad, and Aditya Kurniawan. Student attendance with face recognition (lbph or cnn): Systematic literature review. Procedia Computer Science, 216:31–38, 2023. 7th International Conference on Computer Science and Computational Intelligence 2022.

Fernando Sancho Caparrini. Multilayer perceptron. http://www.cs.us.es/~fsancho/Modelos/ANN.html. Accessed on 2021-09-20.

Md. Tahmid Hasan Fuad, Awal Ahmed Fime, Delowar Sikder, Md. Akil Raihan Iftee, Jakaria Rabbi, Mabrook S. Al- Rakhami, Abdu Gumaei, Ovishake Sen, Mohtasim Fuad, and Md. Nazrul Islam. Recent advances in deep learning techniques for face recognition. IEEE Access, 6:32, 07 2021.

Guosheng Hu, Yongxin Yang, Dong Yi, Josef Kittler, William Christmas, Stan Z. Li, and Timothy Hospedales. When face recognition meets with deep learning: an evaluation of convolutional neural networks for face recognition, 2015.

Franklin Johnson, Alvaro Valderrama, Carlos Valle, Broderick Crawford, Ricardo Soto, and Ricardo Ñanculef. Automating configuration of convolutional neural network hyperparameters using genetic algorithm, 2020.

Shaoqing Ren Jian Sun Kaiming He, Xiangyu Zhang. Deep residual learning for image recognition. arXiv, 12 2015.

Tom Lawrence, Li Zhang, Chee Peng Lim, and Emma-Jane Phillips. Particle swarm optimization for automatically evolving convolutional neural networks for image classification, 2021.

James McDermott. Hands-on transfer learning with keras and the vgg16 model, 2015.

Leandro Nunes. Fundamentals of natural computing, June 2 2006.

Omkar M. Parkhi, Andrea Vedaldi, and Andrew Zisserman. Deep face recognition. In British Machine Vision Conference, 2015.

DIMA RODIONOV. Vggface2, 2022.

Daniel Smilkov and Shan Carter. Tensorflow playground. https://playground.tensorflow.org/. Accessed on 2021-09-20.

Muneeb ul Hassan. Vgg16 – convolutional network for classification and detection, 2018.

Vladyslav Yaloveha, Andrii Podorozhniak, and Heorhii Kuchuk. Convolutional neural network hyperparameter optimization applied to land cover classification, 2022.

Tong Yu and Hong Zhu. Hyper-parameter optimization: A review of algorithms and applications, 2020.