Predicción de crecimiento de colonias de bacterias mediante técnicas de generación de fotogramas

Martín Suazo, Silvia (2021). Predicción de crecimiento de colonias de bacterias mediante técnicas de generación de fotogramas. Thesis (Master thesis), E.T.S. de Ingenieros Informáticos (UPM).

Description

Title: Predicción de crecimiento de colonias de bacterias mediante técnicas de generación de fotogramas
Author/s:
  • Martín Suazo, Silvia
Contributor/s:
  • Rodríguez-Patón Aradas, Alfonso
Item Type: Thesis (Master thesis)
Masters title: Inteligencia Artificial
Date: July 2021
Subjects:
Faculty: E.T.S. de Ingenieros Informáticos (UPM)
Department: Inteligencia Artificial
Creative Commons Licenses: Recognition - No derivative works - Non commercial

Full text

[img]
Preview
PDF - Requires a PDF viewer, such as GSview, Xpdf or Adobe Acrobat Reader
Download (5MB) | Preview

Abstract

La aplicación del Aprendizaje Automático para la predicción de fotogramas en vídeos es uno de los campos más innovadores y desconocidos dentro de la IA, a pesar de que numerosas redes neuronales han surgido a partir de un intento de dar solución a dicha problemática. En este proyecto se exploran las técnicas más destacadas de las propuestas durante los últimos años, estudiando el funcionamiento de su arquitectura y sus aportaciones a las soluciones anteriormente propuestas. Dicho estudio se desarrolla desde dos enfoques distintos: las soluciones que a partir de una secuencia generan un fotograma y las soluciones que a partir de una secuencia generan otra secuencia. Para ello, en primer lugar se ha realizado un estudio detallado de las redes y estructuras básicas del Aprendizaje Profundo, de forma que se ofrece un marco teórico a los términos utilizados en este documento. A continuación, se ha propuesto una aplicación práctica a este estudio y relacionada con la Biología Sintética. De esta forma, se propone la utilización de redes predictoras de fotogramas para que, a partir de vídeos de colonias de bacterias en crecimiento generen los siguientes fotogramas. Es decir, trata de predecir como se comportará la colonia en los siguientes instantes con el fin de ofrecer un apoyo a los simuladores y facilitar la simulación de los comportamientos de las colonias bacterianas en la naturaleza. En concreto, se han utilizado secuencias de fotogramas obtenidas del simulador GRO como datos de entrenamiento. Esto ha supuesto tanto un estudio de las interacciones dentro de las colonias de bacterias entre las distintas cepas y los factores que influyen en su crecimiento, como una elección de qué redes predictoras de fotogramas serán más adecuadas para la tarea. Una vez realizada dicha elección, se ha procedido a la implementación y estudio de los resultados obtenidos desde un punto de vista individual y desde otro comparativo.---ABSTRACT---The application of Machine Learning for frame prediction in videos is one of the most innovative and unknown fields in Al despite the fact of many neural networks emerging from attempts of solving his problem. In this project the most outstanding tecniques within last year's proposals are explored, studying the operation of their architecture and the contributions to previous contributions. The study is developed from two different approaches: the solutions that generate one frame from a sequence of frames and the solutions that generate a sequence from another sequence of frames. First a detailed study of the basic Deep Learning networks and structures has been carried out so that offers a theoretical framework for the terms used in this document is offered. Next, a practica! application to this study and related to Synthetic Biology has been proposed. Thus, the use of frame predictor networks is proposed, so that from videos of growing bacteria colonies they are able to generate the next frames. In other words, it tries to predict how the colony will behave in the next instants in arder to offer support to simmulators and facilitate the simulation of the behaviors of bacteria! colonies in nature. In particular, frame sequences obtained from the GRO simulator have been used as a synthetically generated dataset. This has led to both a study of the interactions within the bacteria! colonies between the different strains and the different factors that influence their growth, as well as a choice of which frame predictor networks will be more suitable for the task. Once this choice was made, the implementation and the study of the obtained results from a individual point of view and fom a comparative one was achieved.

More information

Item ID: 68757
DC Identifier: https://oa.upm.es/68757/
OAI Identifier: oai:oa.upm.es:68757
Deposited by: Biblioteca Facultad de Informatica
Deposited on: 08 Oct 2021 13:56
Last Modified: 08 Oct 2021 13:56
  • Logo InvestigaM (UPM)
  • Logo GEOUP4
  • Logo Open Access
  • Open Access
  • Logo Sherpa/Romeo
    Check whether the anglo-saxon journal in which you have published an article allows you to also publish it under open access.
  • Logo Dulcinea
    Check whether the spanish journal in which you have published an article allows you to also publish it under open access.
  • Logo de Recolecta
  • Logo del Observatorio I+D+i UPM
  • Logo de OpenCourseWare UPM