Paradigmas de aprendizaje profundo: soluciones metodológicas de aplicación a problemas de interés

En esta tesis doctoral se ha llevado a cabo un estudio teórico y experimental en el campo del aprendizaje profundo. El objetivo de este estudio ha sido mejorar las técnicas actuales que se emplean en diferentes problemas de interés para la sociedad. Los principales problemas que presentan los modelos de aprendizaje profundo a la hora de ser implementados en entornos reales son la falta de precisión y el elevado coste computacional de su ejecución. Existen problemas en los que es necesario que la precisión del modelo sea lo más alta posible para que este tipo de soluciones puedan ser utilizadas. Además, la demanda de procesamiento de los modelos puede impedir su uso en ciertos problemas en los que la capacidad de procesamiento se encuentra muy limitada o se precisa de una elevada velocidad de procesamiento, como en el caso de los sistemas que trabajan en tiempo real. Por lo tanto, se hace necesario encontrar nuevas técnicas y paradigmas que permitan mejorar los resultados de las soluciones actuales además de reducir el tiempo de procesamiento sin que ello suponga una pérdida de precisión. Para la realización de esta tesis se han escogido dos problemas en los que se evidencian la necesidad de las mejoras mencionadas anteriormente. Por un lado, el primer problema consiste en la segmentación del árbol vascular en imágenes de fondo de ojo. Este problema tiene especial interés ya que permite crear una herramienta de apoyo al especialista para la monitorización del árbol vascular con el objetivo de detectar diferentes patologías. No obstante, al tratarse de un sistema destinado al ámbito médico, cualquier mejora de los resultados del modelo dota al especialista de una mayor confianza en esta herramienta. Por otro lado, el segundo problema consiste en la segmentación por instancia de fresas en imágenes. Este problema supone una pieza clave en la creación de cosechadoras automática de fresas y, por ende, es necesario utilizar modelos que puedan trabajar en tiempo real en equipos con gran limitación de procesamiento y ...