Generacion rapida de metricas adaptadas para database de imagenes, y geometria de datos MNIST y CIFAR
Keywords:
Optimización
clustering
Geometria de Datos
Prerrequisitos:
IIC2613
Para comparar imagenes, una distancia geometricamente bien desarrollada es la metrica de Wasserstein, o de Transporte Optimo. Esta metrica es superior a otras distancias mas tradicionales como la distancia L^2, porque considera la forma geometrica de las imagenes.
El proyecto consiste en estudiar la distancia de Wasserstein y los algoritmos de calculo aproximado, y desde ahi desarrollar algoritmos que permitan trabajar facilmente con database de imagenes, midiendo rapidamente la distancia de Wasserstein entre pares de imagenes.
Con lo precedente, estudiar geometricamente los database como MNIST y CIFAR, estimando medidas de dimension aproximada y clustering, en terminos de la nueva distancia calculada.
| Fecha de Creación | 17/06/2022 |
|---|---|
| Vacantes Disponibles | 1/1 |
| Créditos | 10 |
| Modalidad | Nota 1-7 |
|
¿Es CMD?
De tener un carácter Interdisciplinario puede ser considerado como OFG |
No |
| Mentores |
|
|
¿Es pública?
Las oportunidades públicas son visibles para personas externas a la plataforma |
Sí |
|---|---|
|
¿Es postulable?
Las oportunidades postulables son visibles para estudiantes y tienen vacantes disponible |
Sí |
|
¿Tiene fecha límite?
La oportunidad dejará de ser postulable después de la fecha límite |
No |