Buscando resultados para: Dr. Pedro Lara Velázquez

Análisis comparativo de algoritmos para la generación de deepfakes

Descargar propuesta de investigación completa (PDF)

Profesores: Dr. Pedro Lara Velázquez y Dr. Sergio Gerardo de los Cobos Silva

Resumen: Deepfake es una técnica de aprendizaje no supervisado, que combina diferentes tipos de redes neuronales para alterar una imagen o video, produciendo un resultado falso pero realista. En este proyecto se analizarán y compararán al menos dos algoritmos basados en redes neuronales para la generación de videos deepkafe.

Objetivo general:

Determinar cuál es la mejor herramienta de acceso gratuito y código abierto para la realización de deepfakes

Objetivos específicos:

• Estudiar los conceptos más importantes sobre redes neuronales básicas, especialmente redes neuronales generativas adversarias, redes neuronales convolucionales y autoencoders
• Seleccionar el conjunto de herramientas, de código abierto, para la generación de deepfakes que serán empleadas en este proyecto
• Modificar los códigos de las herramientas seleccionadas para estandarizar algunas de sus características, como el cálculo de la función de pérdida
• Establecer un diseño de experimentos adecuado al proyecto, detallando las instancias a usar y los parámetros a medir
• Análisis y comparación de los resultados obtenidos
• Reportar los resultados obtenidos en la Idónea Comunicación de Resultados (ICR)

Seminario: “Desarrollo de incentivos para la recolección de datos bajo el esquema Spatial Crowdsourcing”

Fecha: 12 de mayo de 2022 a las 11:30 hrs
Presenta: María Esther Sosa Rodríguez
Afiliación: Alumna del DCyTI
Asesores: Dr. Pedro Lara Velázquez y Dr. Miguel Ángel Gutiérrez Andrade

Resumen:

Hoy en día, gracias a la innovación tecnológica y al fácil acceso a los dispositivos móviles, una gran cantidad de aplicaciones desarrolladas para este tipo de dispositivos utilizan el enfoque Spatial Crowdsourcing (SCS). Este enfoque permite llevar a cabo la recolección de datos a través de dispositivos móviles para diversos fines, tales como generar nueva información a partir de los datos recolectados, o bien proporcionar algún tipo de servicio. El éxito de las aplicaciones SCS depende en gran medida de la participación de los involucrados para realizar las tareas de recolección de datos y dicha participación se ve afectada por los incentivos o recompensas que se reciben por las tareas que realizan. Otro aspecto importante a considerar en los sistemas SCS es la dinamicidad que se presenta en la constante llegada de tareas, así como la llegada y partida de participantes al sistema o al área donde se requiere la recolección de la información. Lo anterior repercute directamente en la toma de decisiones al momento de asignar y realizar las tareas que han sido solicitadas al sistema. De lo anterior, surge nuestro interés de estudiar los incentivos en este tipo de sistemas, poniendo especial énfasis en los que otorgan servicios como recompensa por las tareas realizadas, así como el manejo de la dinamicidad presente en estos sistemas.

Seminario: “Un modelo comparativo de ranking entre universidades usando reconocimiento de patrones”

Fecha: 12 de mayo de 2022 a las 11:00 hrs
Presenta: Daniel Edahi Urueta Hinojosa
Afiliación: Alumno del DCyTI
Asesores: Dr. Pedro Lara Velázquez y Dr. Miguel Ángel Gutiérrez Andrade

Resumen:

Existen numerosas iniciativas para crear instrumentos y herramientas de evaluación que puedan ofrecer una perspectiva de comparación de calidad entre instituciones denominados rankings, los cuales generalmente se calculan a partir de un determinado conjunto de datos empíricos; sin embargo, en muchas ocasiones estos indicadores son patrocinados por algunas universidades con el afán de aparecer entre las mejores enfatizando de esta manera algunas características más que otras. En este sentido, surge el Estudio Comparativo de Universidades Mexicanas (ECUM), el cual es una colección de información estadística sobre docencia e investigación, permitiendo así que los usuarios sean responsables de establecer las comparaciones y relaciones, o bien, construir indicadores a partir de sus propias necesidades y perspectivas de análisis.

En este trabajo se desarrolló un modelo comparativo no supervisado de ranking entre universidades usando técnicas de reconocimiento de patrones no supervisado, aplicándose en el ECUM. Finalmente, se muestran los resultados aplicados a las 60 universidades más grandes de México tanto en matrícula como en plantilla académica.

Seminario: “Detección de suplantación de voz utilizando algoritmos basados en inteligencia artificial”

Fecha: 24 de marzo de 2022 a las 11:00 hrs
Presenta: Carlos Alberto Hernández Nava
Afiliación: Alumno del DCyTI
Asesores: Dr. Pedro Lara Velázquez y Dr. Eric Alfredo Rincón Garcí­a

Resumen:

En este proyecto se desarrolla un modelo capaz de detectar ataques de suplantación de voz. Se utilizó la base de datos del desafío ASVspoof 2017 V2, en la cual se pueden encontrar este tipo de ataques. Para llevar a cabo esta tarea, es necesario primero realizar un preprocesamiento de los audios, es decir, extraer las características del audio, entre los métodos más conocidos se encuentran MFCC, CQCC, LFCC y los espectrogramas. Se decidió utilizar los espectrogramas obtenidos de los audios como principal herramienta de análisis, para posteriormente ser utilizados en un modelo basado en CNN (Convolutional Neural Networks), el modelo obtiene sólo dos posibles resultados, genuino o falso. Los resultados indican que esta estrategia tiene un buen desempeño.

Próximo seminario: 1. Desarrollo de Mecanismos de Control de Tráfico en Comunicaciones IoT, 2. Determinación del perfil antropométrico en secuencias de video

Se les invita al próximo seminario del Posgrado en Ciencias y Tecnologías de la Información (PCyTI)

Titulo de la ponencia: Desarrollo de Mecanismos de Control de Tráfico en Comunicaciones IoT
Fecha: 3 de junio de 2021 a las 11:00 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: Sergio Javier Álvarez
Afiliación: Alumno del DCyTI
Asesor: Dr. Miguel López Guerrero

Resumen:

El estado actual de las tecnologías de cómputo y comunicaciones permite afirmar que nos encontramos ya en el camino hacia la implementación del concepto de ciudades inteligentes. En estas comunidades existen altos niveles de automatización, monitorización y control que redundan en una mejora substancial del bienestar de sus habitantes. En la cristalización de esta idea, las soluciones a la multiplicidad de retos de comunicación que plantea el Internet de las Cosas (IoT) es de importancia fundamental. Esto se debe, por ejemplo, a que en el futuro se espera contar con millones de máquinas conectadas a Internet, de las cuales, cientos o hasta miles se encontrarán coexistiendo en extensiones geográficas relativamente pequeñas.
Esta presentación se centra en la descripción del entorno de las comunicaciones Máquina a Máquina o M2M, el cual es la base del Internet de las Cosas. Para ello se describirán: a) los modelos existentes con los que se representan las transmisiones entre máquinas; y b) los protocolos MAC que permiten la compartición de los recursos de la red entre una gran cantidad de dispositivos. En la conjunción de estos dos tópicos se plantean las perspectivas de investigación de este proyecto.

Título de la ponencia: Determinación del perfil antropométrico en secuencias de video
Fecha: 3 de junio de 2021 a las 11:30 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: Miguel Contreras Murillo
Afiliación: Alumno del DCyTI
Asesores: Dr. Sergio Gerardo de los Cobos Silva y Dr. Pedro Lara Velázquez

Resumen:

La clasificación de género es un problema abierto de visión artificial. Su aplicación va desde la estadística hasta el reconocimiento de personas en videovigilancia. Hoy en día, existen enfoques con video 2D que obtienen buenos resultados en situaciones normales, pero fallan cuando la persona viste ropa holgada, lleva equipaje, o el ángulo de la imagen varía; ya que estos algoritmos se basan en el cálculo de bordes, siluetas, o energía de la persona en la escena. Se presenta una nueva metodología para la clasificación de género basada en la creación de un esqueleto virtual por medio de Redes Neuronales Convolucionales para cada persona en imágenes y video 2D, donde las distancias obtenidas entre algunos puntos de interés del esqueleto virtual son usadas como entradas en un clasificador de género. Los resultados obtenidos mejoran dado que la vestimenta, equipaje y ángulo en la escena afectan poco el proceso de esqueletización.

Próximo seminario: 1. Desarrollo de incentivos para la recolección de datos bajo el esquema Spatial Crowdsourcing. 2. Modelos de aprendizaje no supervisado para la nutrición

Título de la ponencia: Desarrollo de incentivos para la recolección de datos bajo el esquema Spatial Crowdsourcing
Fecha: 22 de abril de 2021 a las 11:00 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: María Esther Sosa Rodríguez
Afiliación: Alumna del DCyTI
Asesores: Dra. Elizabeth Pérez Cortés y Dr. Miguel López Guerrero

Resumen:

Hoy en día, gracias a la innovación tecnológica y al fácil acceso a los dispositivos móviles, una gran cantidad de aplicaciones desarrolladas para este tipo de dispositivos utilizan el enfoque Spatial Crowdsourcing (SCS). Este enfoque permite llevar a cabo la recolección de datos a través de dispositivos móviles para diversos fines, tal como generar nueva información a partir de los datos recolectados, o bien proporcionar algún tipo de servicio. El éxito de las aplicaciones SCS depende en gran medida de la participación de los involucrados para realizar las tareas de recolección de datos y dicha participación se ve afectada por los incentivos o recompensas que se reciben por las tareas que realizan. Otro aspecto importante a considerar en los sistemas SCS es la dinamicidad que se presenta en la constante llegada de tareas, así como la llegada y partida de participantes al sistema o al área donde se requiere la recolección de la información. Lo anterior repercute directamente en la toma de decisiones al momento de asignar y realizar las tareas que han sido solicitadas al sistema. De lo anterior, surge nuestro interés de estudiar los incentivos en este tipo de sistemas, poniendo especial énfasis en los que otorgan servicios como recompensa por las tareas realizadas, así como el manejo de la dinamicidad presente en estos sistemas.

Título de la ponencia: Modelos de aprendizaje no supervisado para la nutrición
Fecha: 22 de abril de 2021 a las 11:30 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: Daniel Edahi Urueta Hinojosa
Afiliación: Alumno del DCyTI
Asesores: Dr. Pedro Lara Velázquez y Dr. Miguel Ángel Gutiérrez Andrade

Resumen:

La Encuesta Nacional de Salud y Nutrición del 2020 reveló que el 72.5% de los ciudadanos mexicanos presentan problemas sobrepeso y obesidad. Como una medida para atender este problema, México publicó la norma oficial NOM-051 el 31 de julio de 2020 en la cual se establece la implementación de un nuevo etiquetado de advertencia para informar a los consumidores con claridad y sencillez sobre excesos de nutrientes que generan estos problemas; sin embargo, existen casos en determinados productos que, a pesar de tener la misma cantidad de etiquetas, en realidad se pueden distinguir entre aquellos que son más saludables para consumo humano y los que no lo son; asimismo, también existen productos que, no obstante de venderse como diferentes tanto en apariencia, nombre, contenido y etiquetado, en realidad no presentan diferencias significativas entre ellos respecto a su aporte nutricional. El presente trabajo muestra dos estudios realizados usando técnicas de reconocimiento de patrones no supervisadas para determinar cuáles son los cereales de caja más saludables y las diferencias entre las distintas cremas comestibles en México.

Próximo seminario. Análisis y optimización de redes sociales multiplex y Un Modelo Comparativo de Clustering para Aplicaciones Socioeconomicas Usando Errores Tipo I y Tipo II

Se les invita al próximo seminario del Posgrado en Ciencias y Tecnologías de la Información (PCyTI)

Titulo de la ponencia: Análisis y optimización de redes sociales multiplex
Fecha: 25 de junio de 2020 a las 11:00 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: Edwin Montes Orozco
Afiliación: Alumno del DCyTI
Asesores: Dr. Sergio Gerardo de los Cobos Silva y Dr. Román Anselmo Mora Gutiérrez (UAM-A)

Resumen:

En los últimos años, algunos tópicos como la influencia de los nodos, la robustez y la formación de comunidades en diversos modelos de redes, se han vuelto de interés en la comunidad de la ciencia de redes debido a que tienen diversas aplicaciones prácticas e interdisciplinares. En esta investigación, se abordan estas problemáticas mediante el uso, combinación y adaptación de métricas de redes complejas y técnicas de optimización para redes monoplex y multiplex de 2, 3 y 5 capas.

Titulo de la ponencia: Un Modelo Comparativo de Clustering para Aplicaciones Socioeconomicas Usando Errores Tipo I y Tipo II
Fecha: 25 de junio de 2020 a las 11:40 hrs
Zoom: https://uammx.zoom.us/my/pcyti (contraseña: semiPCyTI)
Presenta: Daniel Edahi Urueta Hinojosa
Afiliación: Alumno del DCyTI
Asesores: Dr. Pedro Lara Velázquez y Dr. Miguel Ángel Gutiérrez Andrade

Resumen:

Los sistemas de clasificación se utilizan para automatizar tareas repetitivas, para su implementación generalmente se sigue un enfoque supervisado, el cual se basa en el entrenamiento de un modelo utilizando ejemplos clasificados de una tarea; sin embargo, una desventaja de este enfoque es que se necesita una gran cantidad de muestras etiquetadas para construir un modelo y la tarea de etiquetado suele ser costosa y lenta, especialmente para aplicaciones críticas como el diagnóstico de enfermedades, porque es necesario consultar con expertos la posible clasificación que se debe dar a cada muestra específica. Existe otro enfoque basado en el aprendizaje no supervisado, donde no hay muestras etiquetadas, sino que los patrones se identifican utilizando el grado de similitud para determinar qué objetos pertenecen a una misma clase. Debido a que en este enfoque la tarea de etiquetado es eliminada, es posible construir modelos más rápidos, baratos y capaces de aplicarse en bases de datos más grandes. Por otro lado, para evaluar la calidad de un clasificador, el único parámetro a considerar suele ser la precisión, tratando a las predicciones incorrectas como si tuvieran la misma importancia cuando en realidad las consecuencias de diagnosticar un paciente sano como enfermo (Error Tipo I), que diagnosticar a un paciente enfermo como saludable (Error Tipo II) son diferentes. Es por eso, que dependiendo de la aplicación es preferible evitar cometer ciertos tipos de errores, aunque la precisión disminuya.

En este trabajo, se realiza una investigación sobre cuál es el mejor clasificador basado en técnicas de aprendizaje no supervisado que minimice el Error Tipo I o el Error Tipo II de acuerdo con el problema específico que se busca resolver, comparando su precisión y los errores obtenidos en instancias de negocios y pruebas de detección de salud.

Próximo seminario. Modelo avanzado de reconocimiento de patrones no supervisado con coloración de gráficas suaves; Desarrollo de incentivos para la recolección de datos bajo el esquema Spatial Crowd Sourcing.

Se les invita al próximo seminario del Posgrado en Ciencias y Tecnologías de la Información (PCyTI)

Titulo de la ponencia: Modelo avanzado de reconocimiento de patrones no supervisado con coloración de gráficas suaves
Fecha: 11 de julio de 2019 a las 11:00 hrs.
Lugar: T-223
Presenta: Daniel Edahi Urueta Hinojosa
Afiliación: Alumno de doctorado
Asesor: Dr. Pedro Lara Velázquez

Resumen:

Los métodos de clustering suelen tener muchas características en común, pero hasta ahora se presentan como modelos aislados. En este trabajo se presenta un modelo no supervisado que engloba varios modelos de clustering conocidos y otros novedosos bajo el esquema de casos especiales del problema de coloración de gráficas suaves. Este modelo es evaluado con algunas instancias de prueba y algunas bien conocidas de la literatura; en esta plática se presentan algunos resultados preliminares.

Titulo de la ponencia: Desarrollo de incentivos para la recolección de datos bajo el esquema Spatial Crowd Sourcing.
Fecha: 11 de julio de 2019 a las 11:40 hrs.
Lugar: T-223
Presenta: María Esther Sosa Rodríguez
Afiliación: Alumna de doctorado
Asesor: Dra. Elizabeth Pérez Cortés y Dr. Miguel López Guerrero

Resumen:

El spatial crowdsourcing es un enfoque ampliamente utilizado en diversas aplicaciones móviles que requieren la ejecución de determinadas tareas, como la monitorización o recolección de datos desde diversas ubicaciones geográficas, ya sea a través de los sensores incluidos en los dispositivos móviles o bien a través de la información que los usuarios de dichos dispositivos ingresen a la aplicación.

Varios aspectos a considerar en la elaboración de este tipo de aplicaciones son: verificar la calidad de la información recolectada, la asignación de tareas a los participantes y la terminación de las mismas, así como los mecanismos de incentivos que motiven la cooperación de los usuarios o participantes para la terminación de determinadas tareas. En esta investigación estaremos enfocado en el estudio de los incentivos, específicamente aquellos en donde el usuario proporciona un servicio al sistema y en retribución obtiene también un servicio.