Resumen

El aprendizaje profundo ha cosechado grandes xitos en aplicaciones de visin por ordenador como la conduccin autnoma de vehculos, el reconocimiento facial y el control de robots. La creciente necesidad de desplegar sistemas en entornos con recursos limitados o restringidos, como cmaras inteligentes, vehculos autnomos, robots, smartphones y dispositivos wearables inteligentes, impulsa uno de los principales desarrollos actuales de las redes neuronales convolucionales: reducir la complejidad del modelo pero manteniendo una precisin fina. En este estudio, la red neuronal convolucional ligera eficiente (ELNet) propuesta consta de tres mdulos convolucionales que realizan ELNet utilizando menos clculos, lo que permite implementarla en equipos de hardware con recursos limitados. Para verificar el rendimiento del modelo se utiliz la tarea de clasificacin con los conjuntos de datos CIFAR-10 y CIFAR-100. Segn los resultados experimentales, ELNet alcanz el 92,3% y el 69%, respectivamente, en los conjuntos de datos CIFAR-10 y CIFAR-100; adems, ELNet redujo eficazmente la complejidad computacional y los parmetros necesarios en comparacin con otras arquitecturas CNN.

• Materias:Algoritmos (Matemáticas) Algebra Ingeniería Lógica matemática Matemáticas
• Subjects:Agorithms (Math) Algebra Engineering Mathematical logic mathematics
• Palabras claves:Aprendizaje profundo; Visión por computador; Redes neuronales convolucionales; Entornos con recursos limitados; ELNet; CIFAR-10
• Keywords:Deep learning; Computer vision; Convolutional neural networks; Resource-constrained environments; ELNet; CIFAR-10