Home » Departamento de Procesamiento de Señales (Page 2)

Category Archives: Departamento de Procesamiento de Señales

Defensa Proyecto : “Bandonberry : Simulador electrónico de bandoneón”

Miércoles 29 de mayo 14:00hs, Salón Gris (piso 7, salón 727) – Facultad de Ingeniería, J. Herrera y Reissig 565

Tenemos el agrado de invitarlos a la defensa del proyecto de fin de carrera : “Bandonberry : Simulador electrónico de bandoneón”

Estudiantes :  José Bentancour, Rodrigo Patiño y Franco Toscano

Tutores :  Ignacio Irigaray y Pablo Zinemanas

Tribunal : Pedro Arzuaga (IIE), Martín Rocamora (IIE) y  Leonardo Steinfeld (IIE)

Saludos,

Pablo Zinemanas

Resumen :

El proyecto Bandonberry tiene como objetivo crear un simulador electrónico de bandoneón. Pretende ser una alternativa económica en comparación con un bandoneón tradicional, de forma de facilitar el acceso al instrumento a los estudiantes. No solo se limita a reproducir su forma y sonido, sino que incorpora tecnologías que ayudan y estimulan el proceso de aprendizaje.

Se detalla todo el proceso de diseño, fabricación, criterios de selección de componentes y consideraciones para trabajos futuros. Por otro lado, se hace un estudio del sistema finalizado, comparando los resultados obtenidos con los requerimientos planteados.

Defensa Tesis Maestría : “Reconocimiento automático de configuraciones manuales propias de las lenguas de señas”

Viernes 17 de mayo 14:00hs, Salón Marrón (piso 7, salón 705) – Facultad de Ingeniería, J. Herrera y Reissig 565

Tenemos el agrado de invitarlos a la defensa de tesis de maestría de Ariel Stassi  :  “Reconocimiento automático de configuraciones manuales propias de las lenguas de señas”

Tutores : Mauricio Delbracio y Gregory Randall

Tribunal : Pablo Cancela, Marcelo Fiori, José Lezama y Pablo Musé

Saludos,
Mauricio Delbracio

Resumen :

La lengua de señas constituye el medio de comunicación natural de los sordos e hipoacúsicos severos de todo el mundo. La correcta comunicación mediante esta lengua implica: el conocimiento por parte de los interlocutores, la participación de un intérprete intermediario, o bien el apoyo sobre tecnologías de la información para el reconocimiento automático y la traducción de una lengua a otra. En relación a esta última, el Reconocimiento Automático de una Lengua de Señas (RALS) puede definirse como la “identificación automática del contenido lingüístico presente en un dato o una secuencia de datos de entrada”, el cual es frecuentemente abordado mediante una cadena de procesamiento compuesta por las siguientes etapas: sensado, preprocesamiento, extracción de características y clasificación.

En esta tesis de maestría se estudiaron las principales características de las lenguas de señas y distintas variantes de cada una de las etapas mencionadas para el RALS. Luego, se describió una selección de bases de datos para el RALS a distintos niveles de complejidad del problema. Finalmente, se llevó a cabo la implementación y evaluación de un sistema de RALS basado en técnicas de aprendizaje profundo para la clasificación de 60 configuraciones manuales propias de distintas lenguas de señas. En vista del carácter regional de una lengua de señas, durante esta tesis se conformó una base de datos para el reconocimiento de configuraciones manuales propias de la Lengua de Señas Uruguaya. Asimismo, se sentaron las bases para la adquisición de un conjunto de entrenamiento para el RALS uruguayo a nivel de seña aislada.

CERRADO Llamado Docente Grado 1 Dpto. de Procesamiento de Señales

REPARTIDO N° 19/19

LLAMADO Nº 43/2019, Exp. 060180-000679-19

Se llama a aspirantes para la confección de una lista de prelación con validez de seis meses, a efectos de proveer cargos (Tipo II – Tecnológico) de AYUDANTE (Grado 1, 20 horas semanales) del Departamento de Procesamiento de Señales del INSTITUTO DE INGENIERÍA ELÉCTRICA. – IIE.

Plazo :  Lunes 06/05/2019Lunes 20/05/2019

Defensa Tesis Maestría : “Herramientas computacionales para el análisis del entorno sonoro urbano”

Lunes 6 de mayo 09:30hs, Salón Marrón (piso 7, salón 705) – Facultad de Ingeniería, J. Herrera y Reissig 565

Tenemos el agrado de invitarlos a la defensa de tesis de maestría de Pablo Zinemanas :  “Herramientas computacionales para el análisis del entorno sonoro urbano”

Tutores : Elizabeth González y Pablo Cancela

Tribunal : Mauricio Delbracio (IIE-FIng-UdelaR), Justin Salamon (Audio Research Group, Adobe Research, San Francisco) y Leonardo Nunes (Microsoft’s Advanced Technology Labs, Rio de Janeiro).

Saludos,
Pablo Cancela

Resumen :

Muchos centros urbanos presentan niveles de ruido que pueden ser molestos para sus habitantes, o incluso nocivos para la salud. Por esta razón el entorno sonoro constituye frecuentemente una problemática en las ciudades presente en los reclamos de las comunidades y grupos ambientalistas, en la planificación gubernamental y en los estudios académicos. En esta tesis se estudian herramientas computacionales para la caracterización de entornos sonoros urbanos. El foco del trabajo es la detección de eventos sonoros, lo que implica la clasificación de las fuentes presentes en el registro sonoro, incluyendo su tiempo de inicio y duración. Se relevan las bases de datos disponibles y se concluye que es necesario crear datos propios de la ciudad de Montevideo. Esto conduce a la creación de la base de datos SonidosMVD, y a la definición de una taxonomía para la misma. Se presentan experimentos de detección de eventos sonoros con distintos algoritmos de clasificación profunda y poco profunda sobre distintos conjuntos de datos. Se diseña un modelo “end-to-end”, cuya entrada es la forma de onda de la señal y la salida es el vector de clasificación, y se muestra su utilidad para este problema. Esto se realiza concatenando dos redes : una para la extracción de características y otra para la clasificación. Se muestra que se pueden diseñar dichos modelos utilizando conocimiento sobre el problema para inicializar el entrenamiento en un punto inicial que ha demostrado brindar buenos resultados. Con este sistema se obtienen resultados de clasificación similares a los del estado el arte mientras que se disminuye el numero de parámetros involucrados.

 

Defensa Tesis Maestría en Ingeniería Matemática : “Compressed sensing : Algoritmo re-weighted l 1 con pesos actualizados resolviendo un problema dual”

Viernes 12 de abril 10:00hs, Salón de seminarios del IMERL (en coordinación con el seminario de álgebra) – Facultad de Ingeniería, Julio Herrera y Reissig 565

Tenemos el agrado de invitarlos a la defensa de tesis de maestría en Ingeniería Matemática de Matías Valdés :  “Compressed sensing : Algoritmo re-weighted l 1 con pesos actualizados resolviendo un problema dual”

Tutor : Marcelo Fiori

Tribunal :  Dr Diego Armentano (CMAT), Dr Pablo Musé (IIE), Dr Ignacio Ramírez (IIE)

Saludos,

Marcelo Fiori

Resumen :

En este trabajo se presentan algunos de los resultados más relevantes de la teorı́a vinculada al problema de Compressed Sensing (CS) o Sensado Comprimido. Este consiste en: dado un sistema lineal Φx = b, con infinitas soluciones, hallar una solución con la mayor cantidad de coordenadas nulas posibles. Es decir: la solución más “esparsa”. Se propone además una nueva metodologı́a para actualizar los pesos de un algoritmo Re Weighted l 1 , basada en la relajación lagrangeana, que se traduce en algoritmos con un desempeño comparable al de la metodologı́a usual.
El problema CS resulta de gran interés en la adquisición de señales con caracterı́sticas esparsas, como las imágenes y señales de audio. Esto es ası́ pues, mientras que el proceso usual de adquisición realiza n medidas x* ∈ R n y luego las comprime, CS permite sensar y comprimir x* en un único paso, a partir de m medidas lineales: b = Φx* , con m << n. Cuando la matriz de medida Φ cumple ciertas propiedades, es posible resolver el problema CS de forma eficiente, recuperando de esta forma la señal esparsa x* a partir de b. Para esto se resuelve un problema equivalente de optimización convexa, basado en la norma l_1.
Este proceso de recuperación puede ser mejorado, asignando pesos a las coordenadas de la norma l_1 , en un problema convexo conocido como Weighted l 1 . Resolviendo repetidas veces este problema, a la vez que se actualizan los pesos, se obtiene un algoritmo del tipo Re-Weighted l_1 . La metodologı́a de actualización de pesos propuesta en este trabajo, consiste en considerar dichos pesos como multiplicadores de Lagrange, pudiendo de esta forma utilizar algoritmos clásicos de la relajación lagrangeana para su actualización.

Khipu 2019 : Latin American Meeting in Artificial Intelligence — Call for participation

Khipu 2019: Latin American Meeting in Artificial Intelligence

Call for participation

Applications are now open for the first edition of Khipu: Latin American Meeting in Artificial Intelligence. The event aims to strengthen the local community by bringing high level training and by fostering research collaborations within and outside the region. Khipu 2019 will be held in Montevideo, Uruguay, in November 11-15th. The event will have a summer school component with lectures on different topics in machine learning paired with practical coding sessions, but it will also host research talks, round tables and moments where attendees from academia and industry will be able to share their work.

Confirmed speakers include this year’s Turing award Yoshua Bengio and Google Senior Fellow Jeff Dean.

More information about application instructions and the full set of invited speakers are available at https://www.khipu.ai/. Join our mailing list and/or follow us on twitter (@khipu_ai) and keep updated with our latest news.

Important Dates : 

March 29th 2019 : Application open
June 28th 2019 : Application deadline
August 2nd 2019 : Acceptance notifications

We look forward to your participation ¡!
Khipu organising committee,

Federico Lecumberry

Métodos Avanzados de Procesamiento de Imágenes : Desde fotografía móvil a la estructura atómica de proteínas

Docente : Alberto Bartesaghi, PhD (Duke University, USA)

Créditos : 5 (posgrado)

Fecha de inicio :  13/05/19

Fecha de finalización : 17/05/19

Duración : 5 días

Horario : 09:00 a 12:00hs

Lugar : A confirmar – Facultad de Ingeniería, UdelaR

Contacto : PhD Federico Lecumberry (fefo@fing.edu.uy)

Afiche curso MAPI

El objetivo del curso es cubrir los aspectos teóricos y prácticos del procesamiento avanzado de imágenes incluyendo un análisis de los principales desarrollos algorítmicos que han aparecido en los últimos años en el área de fotografía computacional y criomicroscopía electrónica. El curso introduce los conceptos necesarios para que los estudiantes sean capaces de entender, ejecutar e implementar sus propias técnicas para el procesamiento avanzado de imágenes. Los conceptos abordados son utilizados en varias aplicaciones de tratamiento de imágenes incluyendo fotografía en clave baja (Low-Light Photography), super-resolución y procesamiento de rafagas de imagenes (Burst Photography), como los implementados en dispositivos móviles modernos iPhone X y Google Pixel 3.

El curso cubre dos partes. La primera es una introducción a problemas generales de procesamiento de imágenes bajo regímenes extremos de relación señal a ruido, incluyendo técnicas avanzadas de registrado, restauración, clasificación y mejoramiento. La segunda parte cubre aspectos específicos relacionados con el procesamiento de imágenes 3D de criomicroscopía electrónica (Cryo-EM, técnica a la que fuera recientemente otorgado el premio Nobel de química). En esta parte del curso se introducen los principios fundamentales de la técnica y los últimos avances algorítmicos en términos de procesamiento de imágenes (incluyendo aplicaciones de aprendizaje profundo o Deep Learning).

Asimismo, incluye una parte práctica en que los estudiantes aprenden a ejecutar todos los pasos necesarios para convertir secuencias de imágenes de gran escala en estructuras moleculares de proteínas a alta resolución.

Por más información e inscripciones : https://eva.fing.edu.uy/course/view.php?name=mapi

Curso “Procesamiento de imágenes satelitales a gran escala”

Docentes : Dr Gabriele Facciolo (CMLA, ENS París Saclay, Francia), Dr Enric Meinhardt-Llopis (CMLA, ENS Cachan, Francia) y Dr Carlo de Franchis (CNRS, París, Francia). El Profesor responsable local es el Dr Pablo Musé.

Créditos : 4 créditos; 20 horas presenciales

Fecha de inicio :  Martes 23/04/19

Fecha de finalización : Viernes 26/04/19

Horario : 4 horas de clase por día, de 08:00 a 12:00hs

Salón : 401 de Facultad de Ingeniería, Julio Herrera y Reissig 565

Consultas : Pablo Musé (pmuse@fing.edu.uy)

Formulario de Aprobación Curso de Actualización

Formulario de Aprobación Curso de Posgrado

Procesamiento de imágenes satelitales a gran escala

Curso hands-on de introducción al procesamiento de imágenes satelitales. Los estudiantes aprenderán a resolver problemas de imágenes de escala real usando imágenes bajadas directamente de agencias espaciales (ESA, NASA). Los problemas abordados en el curso incluyen: Modelado y corrección de la geometría de adquisición de las imágenes; Ortorrectificación de imágenes capturada desde ángulos arbitrarios; Reconstrucción 3D a partir de múltiples imágenes; Registrado y fusión de imágenes y datos 3D.

Las técnicas matemáticas necesarias serán introducidas a medida. En particular, cálculo variacional (para el modelado de varios problemas de procesamiento de imágenes), optimización discreta (para cálculo eficiente de los modelos), teoría de la aproximación y análisis espectral (para la representación óptima de modelos físicos con pocos parámetros), y morfología matemática (para el filtrado de datos 2D y 3D).

Por más información e inscripciones :

https://eva.fing.edu.uy/course/view.php?id=1239&sesskey=6r6Ba9ppZK&edit=off

Curso “Aprendizaje Profundo por Refuerzo” (Deep Reinforcement Learning)

Docentes : Pablo Sprechmann (Google DeepMind), José Lezama (IIE), Maurcio Delbracio (IIE)

Fecha de inicio : 25 de febrero de 2019

Fecha de finalización : 1° de marzo de 2019

Duración : 1 semana

Horario : Lunes a Viernes de 09:00 a 12:00hs

Salón : A confirmar en Facultad de Ingeniería, Julio Herrera y Reissig 565

Consultas : Mauricio Delbracio (mdelbra@fing.edu.uy)

El objetivo del curso es presentar una introducción al reinforcement learning (aprendizaje por refuerzos) y al deep reinforcement learning, de forma que los estudiantes sean capaces de implementar, aplicar y evaluar algoritmos relevantes utilizando la herramienta Tensorflow. El reinforcement learning es un área del aprendizaje de máquinas cuyo objetivo es determinar qué acciones debe escoger un agente en un entorno dado con el fin de maximizar alguna noción de “recompensa” o premio acumulado. El deep reinforcement learning es una sub-área del reinforcement learning en donde redes neuronales (entrenadas mediante técnicas de aprendizaje profundo) son utilizadas como funciones aproximantes por algoritmos de reinforcement learning. El aprendizaje profundo por refuerzo tiene potencialmente una gran cantidad de aplicaciones. Cualquier aplicación en la que necesite encontrar la mejor política para tomar una acción con el fin de maximizar un objetivo dado en contexto complejo (difícil de modelar) es un buen candidato de aplicación. Algunos ejemplos son: entrenamiento de robots o tareas robóticas, control del tráfico urbano, administración de sistemas de energía con fuentes y configuraciones de generación múltiples, piloto automático de vehículos autónomos, comercio con estrategias óptimas.

El curso cubre dos partes. La primera es una introducción a los problemas de predicción y control utilizando técnicas del reinforcement learning. La segunda, aborda el deep reinforcement learning, en particular los recientes avances en el área. El objetivo es cubrir los aspectos teóricos básicos del aprendizaje por refuerzos, y los principales desarrollos algorítmicos que han aparecido en los últimos años en el área de deep reinforcement learning. El curso busca presentar a los estudiantes los principales aspectos de modelado, algorítmicos y de optimización de forma de que ellos mismos sean capaces de implementar sus propios modelos.

Keywords : Aprendizaje por Refuerzo, Aprendizaje Profundo, Deep Reinforcement Learning

DRL2019-afiche

CERRADO Llamado Docente Grado 2 Dpto. de Procesamiento de Señales

REPARTIDO Nº 56/18

LLAMADO Nº 135/2018, Exp. 060180-002149-18

Se llama a CONCURSO DE MÉRITOS para la provisión en efectividad de un cargo (Tipo II – Tecnológico) de ASISTENTE (Grado 2, 10 horas semanales) del Departamento de Procesamiento de Señales del INSTITUTO DE INGENIERÍA ELÉCTRICA – IIE.

Plazo : Miércoles 28/11/2018 – Jueves  27/12/2018