Uso de características desacopladas en redes convolucionales para transferencias de estilo

Abstract

Este documento corresponde al Trabajo Final de Grado del Grado en Matem´atica Computacional (asignatura MT1054), en ´el abordamos un problema pr´actico en el que se aplican los diferentes conocimientos alcanzados durante los estudios del grado. Incluye tanto la fundamentaci´on te´orica de las t´ecnicas utilizadas como los resultados obtenidos. El problema planteado se enmarca dentro de la aplicaci´on de las redes neuronales, en particular, redes neuronales convolucionales en el an´alisis y procesado de im´agenes digitales. El objetivo planteado es el uso de caracter´ısticas desacopladas mediante gradientes ortogonales para aumentar el poder descriptivo del estilo de una imagen. Una red neuronal convolucional es una variaci´on de un perceptr´on multicapa, consiste en m´ultiples capas de filtros convolucionales generalmente aplicados en matrices bidimensionales, es por ello que han demostrado ser muy eficientes en la clasificaci´on, segmentaci´on y an´alisis de im´agenes digitales. El m´etodo de desacoplamiento de caracter´ısticas propuesto es el denominado desacoplamiento por normalizaci´on y est´a basado en definir transformaciones dentro de variedades, siguiendo trayectorias a lo largo de los gradientes de las caracter´ısticas. Estas transformaciones permiten definir una normalizaci´on que posibilita desacoplar caracter´ısticas diferenciables. Se ha trabajado en concreto a partir una red CNN VGG-19, una red neuronal convolucional que consta de 19 capas (16 capas de convoluci´on, 3 capas fully-connected, 5 capas max-pooling y una capa soft max ) y los resultados obtenidos han sido satisfactorios.