DSpace Angular :: Browsing by Author "Löbel Díaz, Hans-Albert"

Browsing by Author "Löbel Díaz, Hans-Albert"

Now showing 1 - 18 of 18

Aprendiendo modelos sparse para algoritmos de deep reinforcement learning basados en policy gradient
(2021) Meléndez Salinas, Christian; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Los modelos de redes neuronales han sido ampliamente utilizados durante la última década, debido principalmente a su gran versatilidad y capacidad de obtener un alto rendimiento al resolver diversos problemas. Una de las posibles causas de este fenómeno parece ser la estructura jerárquica y la gran cantidad de parámetros que poseen, ya que les otorga un gran poder expresivo. Sin embargo, esta gran complejidad puede ser perjudicial, ya que puede generar: i) overfitting, ii) parámetros redundantes para la tarea que se está resolviendo y iii) cómputo innecesario. Una forma de reducir la complejidad del modelo es a través de regularización sparse, la cual consiste en una penalización dentro de la función objetivo del problema de optimización que fuerza el uso de menos parámetros o neuronas. Se han explorado formas de reducir la complejidad de los modelos de redes neuronales a través de regularización en contextos de aprendizaje supervisado, sin embargo, no se ha explorado el efecto que tiene en un contexto de aprendizaje reforzado basado en policy gradient. El presente trabajo estudia la posibilidad de obtener modelos menos complejos en aprendizaje reforzado utilizando algoritmos basados en policy gradient. Esto se hace comparando distintos tipos de regularización sparse, enfocándose en la obtención de modelos menos complejos en cuanto al uso de neuronas. Los resultados de este estudio indican que sí es posible encontrar modelos que utilicen una baja cantidad de neuronas a través de regularización sparse, siendo aquella aplicada sobre las activaciones la que obtuvo mejores resultados en cuanto a rendimiento y nivel de sparsity. Además, se muestra que modelos menos complejos poseen neuronas más especializadas que podrían ayudar a interpretar modelos en cuanto al rol que cumplen grupos de neuronas dentro de una política.
Automated Detection of Fish Bones in Salmon Fillets Using X-ray Testing
(IEEE, 2010) Mery Quiroz, Domingo Arturo; Lillo Valles, Iván Alberto; Löbel Díaz, Hans-Albert; Riffo Bouffanais, Vladimir; Soto Arriaza, Álvaro; Cipriano, Aldo; Aguilera Radic, José Miguel
X-ray testing is playing an increasingly important role in food quality assurance. In the production of fish fillets, however, fish bone detection is performed by human operators using their sense of touch and vision which can lead to misclassification. In countries where fish is often consumed, fish bones are some of the most frequently ingested foreign bodies encountered in foods. Effective detection of fish bones in the quality control process would help avoid this problem. For this reason, we developed an X-ray machine vision approach to automatically detect fish bones in fish fillets. This paper describes our approach and the corresponding validation experiments with salmon fillets. The approach consists of six steps: 1) A digital X-ray image is taken of the fish fillet being tested. 2) The X-ray image is filtered and enhanced to facilitate the detection of fish bones. 3) Potential fish bones in the image are segmented using band pass filtering, thresholding and morphological techniques. 4) Intensity features of the enhanced X-ray image are extracted from small detection windows that are defined in those regions where potential fish bones were segmented. 5) A classifier is used to discriminate between 'bones' and 'no-bones' classes in the detection windows. 6) Finally, fish bones in the X-ray image are isolated using morphological operations applied on the corresponding segments classified as 'bones'. In the experiments we used a high resolution flat panel detector with the capacity to capture up to a 6 million pixel digital X-ray image. In the training phase, we analyzed 20 representative salmon fillets, 7700 detection windows (10Ã—10 pixels) and 279 intensity features. Cross validation yielded a detection performance of 95% using a support vector machine classifier with only 24 selected features. We believe that the proposed approach opens new possibilities in the field of automated visual inspection of salmon and other similar fish.
Classifying Drivers' Behavior in Public Transport using Inertial Measurement Units and Decision Trees
(IEEE, 2018) Catalán Salas, Hernán Felipe; Löbel Díaz, Hans-Albert; Herrera Maldonado, Juan Carlos
Santiago's public transit system uses a Passenger Service Quality Index (ICA) to measure the quality of service offered by buses companies. Parts of this index are related to bus driver's behavior, and are obtained in a superficial and very subjective manner. The main objective of this research is to formulate a new methodology that uses data provided by inertial measurement units to classify drivers' behavior. This is achieved by means of a classification method: decision trees. Data are collected to evaluate the method and results show that the use of decision trees delivers good performance and an interpretable output that allows further analysis. The proposal uses elements from the ICA index and produces a methodology that is simple, objective and capable of being implemented on a large scale with good performance at a low cost.
CompactNets: Compact Hierarchical Compositional Networks for Visual Recognition
(2020) Löbel Díaz, Hans-Albert; Vidal, R.; Soto Arriaza, Álvaro Marcelo
Conteo de personas en tiempo real usando visión estéreo de línea base amplia y GPGPU
(2009) Löbel Díaz, Hans-Albert; Mery Quiroz, Domingo; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
El conteo automático de personas es un problema fundamental que debe ser abordado en muchos escenarios, como sistemas de control de operaciones inteligentes para el transporte público o de vigilancia automática, donde estadísticas precisas del flujo de personas son necesarias para funcionar correctamente. En la mayoría de los trabajos se han utilizado técnicas de visión monocular, logrando buen rendimiento en entornos controlados. Sin embargo, en escenarios complejos, estas pueden fallar debido a oclusión, iluminación u otros problemas relacionados. Esta situación podría solucionarse usando más fuentes de información visual, pero el aumento en el tiempo de cómputo debido al procesamiento adicional es demasiado alto para producir un sistema de conteo en tiempo real. A fin de evaluar esta alternativa, se desarrolló un sistema de visión estéreo de línea base amplia no calibrado de 2 vistas, que cuenta la gente entrando o saliendo de un sector predefinido. Además, el sistema trabaja en tiempo real gracias a una implementación paralela en GPU.
Data augmentation helps to prevent shortcuts and learn representations for continual learning in neural networks
(2021) Amenábar Montenegro, Sebastián; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Los sesgos inductivos han sido fundamentales en el éxito del aprendizaje profundo, pero, recientemente, los modelos con sesgos inductivos fuertes han sido superados por propuestas centradas en los datos, que combinan arquitecturas grandes y flexibles, con una especial atención en los datos. No obstante, estas propuestas centradas en los datos mantienen algunos de los problemas que el aprendizaje profundo tiene, los mas relevantes para este trabajo son el aprendizaje de atajos y el olvido catastrófico. El aprendizaje de atajos ocurre cuando la red aprende reglas de decisión que no son robustas a cambios en la distribución de los datos, por ejemplo, reconocer camellos en un pastizal, después de haber visto camellos únicamente en el desierto. El olvido catastrófico ocurre cuando la red tiene que aprender de un flujo no estacionario de datos, sin perder o olvidar el conocimiento ya adquirido, pero falla en lograr esto y tiene un mal desempeño en los datos que vió anteriormente, por ejemplo, aprender a reconocer animales sin olvidar los ya conocidos. En este trabajo mostramos que la aumentación de datos puede ser utilizada para mitigar los problemas mencionados. Primero, observamos el aprendizaje de atajos en la tarea de respuesta a pregunta visual. Vimos que una arquitectura flexible aprende atajos por lo que falla al modificar la distribución de los datos, pero la incorporación de aumentación previene que el modelo aprenda estas reglas y ayuda a mejorar su desempeño en los datos de la distribución modificada. Para el problema del olvido catastrófico, trabajos recientes mostraron que el meta-aprendizaje puede ser utilizado para aprender un extractor de características menos susceptible a olvidar. En este trabajo, mostramos que una red neuronal entrenada mediante aprendizaje supervisado tradicional también puede ser utilizada para éste problema, y observamos que la aumentación de datos puede tener un gran impacto en el desempeño del modelo.
Deep neural network models with explainable components for urban space perception
(2021) Cádiz Vidal, Andrés; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
La percepción urbana ha sido un tema de investigación importante por al menos 60 años, con trabajos hechos desde una variedad de disciplinas, usando distintas metodologías principalmente basadas en encuestas sobre ambientes urbanos reales o simulados. Recientemente, el surgimiento de las tecnologías web ha aumentado masivamente la disponibilidad de grandes volúmenes de datos y de técnicas de recolección de datos altamente escalables permitiendo que técnicas pertenecientes a otros dominios sean utilizadas para estimar la percepción urbana. En particular, algunos métodos de aprendizaje de máquina, usados ya sea como modelos completos o como herramientas de extracción de características, han demostrado ser muy efectivos para la cuantificación automática de la percepción. Estos métodos (en particular las redes neuronales) presentan la desventaja de tener una naturaleza caja negra, que dificulta la capacidad de entender los resultados obtenidos desde el punto de vista humano, lo que limita su aplicabilidad. En este trabajo presentamos una nueva arquitectura de red neuronal para la cuantificación de la percepción urbana. A partir de una imagen nuestro mejor modelo, AttnSeg- Rank, entrega como resultado una estimación de la percepción, junto a un conjunto de pesos que (visualizables como un mapa de calor) que reflejan la importancia de cada parte de la imagen en el calculo del score. Esto se lo logra incluyendo un segmentador semántico combinado con un mecanismo de atención como parte de la arquitectura de la red. El modelo que mostramos en este trabajo logra un rendimiento similar a los existentes en la literatura pero con mucho mejor interpretabilidad, haciéndolo no solo un modelo más útil para medición e investigación de la percepción urbana, si no que una contribución a la explicabilidad en aprendizaje profundo y visión por computador que se puede aplicar a otras tareas.
Design of a framework to build explanaible recommendation systems using visual concepts
(2021) Ossa Guerra, Antonio; Parra Santander, Denis; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Una aplicación importante de inteligencia artificial son los sistemas recomendadores, modelos que intentan predecir las preferencias de las personas, usualmente de manera personalizada. En este contexto, las explicaciones son muy valiosas debido a los conocidos beneficios en satisfacción, integridad, y escrutabilidad. Hoy en día, los sistemas de recomendación visuales son entrenados usando descriptores latentes extraídos con una red de aprendizaje profundo pre-entrenada. Esta solución ha mostrado tener gran desempeño, pero no es interpretable debido a que no pueden generarse explicaciones, tanto para el usuario como para el modelo. En este trabajo, proponemos un framework para desarrollar sistemas de recomendación explicables creando una representación de ítems basada en conceptos, transformando modelos de arquitecturas existentes en modelos explicables. Esta representación es interpretable y puede ser leída como información tabular. Proponemos un algoritmo para crear una representación de ítems basada en conceptos, y luego crear un embedding de conceptos para entrenar modelos de redes de aprendizaje profundo. Luego, usando métodos de atribución de características podemos entregar explicaciones para cualquier salida de un modelo, transformando un sistema de “caja negra” en un sistema explicable. Nuestros resultados muestran que los sistemas de recomendación visuales entrenados usando nuestro embedding de conceptos tienen un desempeño similar al de un sistema entrenado con descriptores latentes. También, pudimos entregar explicaciones en términos de estos conceptos visuales debido a la naturaleza interpretable del input. Nuestra investigación informa el desarrollo de una nueva aproximación a la recomendación explicable, basada en una representación interpretable basada en conceptos, que no requiere el desarrollo de nuevas arquitecturas de modelos.
Explaining subjective perceptions of public spaces as a function of the built environment: A massive data approach
(2019) Rossetti, Tomás; Löbel Díaz, Hans-Albert; Rocco Castillo, Víctor Antonio; Hurtubia González, Ricardo; CEDEUS (Chile)
Forecasting copper electrorefining cathode rejection by means of recurrent neural networks with attention mechanism
(2021) Correa Hucke, Pedro Pablo; Cipriano, Aldo; Nuñez Retamal, Felipe Eduardo; Salas, Juan Carlos; Löbel Díaz, Hans-Albert
Electrolytic refining is the last step of pyrometallurgical copper production. Here, smelted copper is converted into high-quality cathodes through electrolysis. Cathodes that do not meet the physical quality standards are rejected and further reprocessed or sold at a minimum profit. Prediction of cathodic rejection is therefore of utmost importance to accurately forecast the electrorefining cycle economic production. Several attempts have been made to estimate this process outcomes, mostly based on physical models of the underlying electrochemical reactions. However, they do not stand the complexity of real operations. Data-driven methods, such as deep learning, allow modeling complex non-linear processes by learning representations directly from the data.We study the use of several recurrent neural network models to estimate the cathodic rejection of a cathodic cycle, using a series of operational measurements throughout the process. We provide an ARMAX model as a benchmark. Basic recurrent neural network models are analyzed first: a vanilla RNN and an LSTM model provide an initial approach. These are further composed into an Encoder-Decoder model, that uses an attention mechanism to selectively weight the input steps that provide most information upon inference. This model obtains 5.45% relative error, improving by 81.4% the proposed benchmark. Finally, we study the attention mechanismâ€™s output to distinguish the most relevant electrorefining process steps. We identify the initial state as a critical state in predicting cathodic rejection. This information can be used as an input for decision support systems or control strategies to reduce cathodic rejection and improve electrolytic refiningâ€™s profitability.
GDXray : The Database of X-ray Images for Nondestructive Testing
(2015) Mery Quiroz, Domingo; Riffo, Vladimir; Zscherpel, Uwe; Mondragón, German; Lillo, Iván; Zuccar, Irene; Löbel Díaz, Hans-Albert; Carrasco, Miguel
Hierarchical Joint Max-Margin Learning of Mid and Top Level Representations for Visual Recognition
(IEEE, 2013) Löbel Díaz, Hans-Albert; Vidal Navarro, René Esteban; Soto Arriaza, Álvaro
Currently, Bag-of-Visual-Words (BoVW) and part-based methods are the most popular approaches for visual recognition. In both cases, a mid-level representation is built on top of low-level image descriptors and top-level classifiers use this mid-level representation to achieve visual recognition. While in current part-based approaches, mid- and top-level representations are usually jointly trained, this is not the usual case for BoVW schemes. A main reason for this is the complex data association problem related to the usual large dictionary size needed by BoVW approaches. As a further observation, typical solutions based on BoVW and part-based representations are usually limited to extensions of binary classification schemes, a strategy that ignores relevant correlations among classes. In this work we propose a novel hierarchical approach to visual recognition based on a BoVW scheme that jointly learns suitable mid- and top-level representations. Furthermore, using a max-margin learning framework, the proposed approach directly handles the multiclass case at both levels of abstraction. We test our proposed method using several popular benchmark datasets. As our main result, we demonstrate that, by coupling learning of mid- and top-level representations, the proposed approach fosters sharing of discriminative visual words among target classes, being able to achieve state-of-the-art recognition performance using far less visual words than previous approaches.
Learning Shared, Discriminative, and Compact Representations for Visual Recognition
(IEEE, 2015) Löbel Díaz, Hans-Albert; Vidal, R.; Soto Arriaza, Álvaro Marcelo
Dictionary-based and part-based methods are among the most popular approaches to visual recognition. In both methods, a mid-level representation is built on top of low-level image descriptors and high-level classifiers are trained on top of the mid-level representation. While earlier methods built the mid-level representation without supervision, there is currently great interest in learning both representations jointly to make the mid-level representation more discriminative. In this work we propose a new approach to visual recognition that jointly learns a shared, discriminative, and compact mid-level representation and a compact high-level representation. By using a structured output learning framework, our approach directly handles the multiclass case at both levels of abstraction. Moreover, by using a group-sparse prior in the structured output learning framework, our approach encourages sharing of visual words and thus reduces the number of words used to represent each class. We test our proposed method on several popular benchmarks. Our results show that, by jointly learning midand high-level representations, and fostering the sharing of discriminative visual words among target classes, we are able to achieve state-of-the-art recognition performance using far less visual words than previous approaches.
Learning Shared, Discriminative, and Compact Representations for Visual Recognition
(2015) Löbel Díaz, Hans-Albert; Vidal, R.; Soto Arriaza, Álvaro Marcelo
Modelación de heterogeneidad en la percepción cualitativa de espacios públicos con modelos de elección discreta y aprendizaje de máquina
(2020) Ramírez Sarmiento, Tomás Ignacio; Hurtubia González, Ricardo; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
Durante los últimos 60 años se han propuesto diversas metodologías que nos ayudan a entender los efectos del paisaje sobre la evaluación de quienes lo habitan, sin embargo, de manera aislada cada una de ellas presenta importantes desventajas. El uso de entrevistas cualitativas ha permitido estudios de gran profundidad a nivel de individuos, pero con baja escalabilidad debido a los altos costos en su ejecución y sus resultados son difícilmente generalizables. El uso de encuestas de preferencias declaradas aumenta el alcance de los estudios, pero sacrificando la cantidad de variables analizadas. En la última década, grandes bases de datos de fotografías y el desarrollo en aprendizaje de máquinas ha permitido aumentar la escalabilidad, generando resultados más generalizables respecto de las metodologías cualitativas. Sin embargo, estas nuevas metodologías no han logrado incorporar el análisis de comportamientos heterogéneos y los resultados, al depender de algoritmos altamente no lineales, son de baja interpretabilidad, por lo que los métodos cualitativos aún presentan una importante ventaja en esta dimensión. En el presente estudio se combinan herramientas computacionales y estadísticas para lograr una propuesta metodológica de alta escalabilidad cuyos resultados permiten observar comportamientos heterogéneos frente a elementos específicos del paisaje. Para lograrlo se implementó una nueva encuesta de percepción de espacios públicos, con la cual se recopilan respuestas sobre percepción de espacios públicos acompañadas de una caracterización sociodemográfica del observador. Luego se complementó el proceso de parametrización de las imágenes previamente utilizado en la literatura mediante un algoritmo de detección de objetos. Nuestros resultados logran evidenciar heterogeneidad en la percepción de espacios públicos según género y patrones de movilidad de los observadores. Estos resultados además nos han permitido explorar la aplicación de los modelos para la ciudad de Santiago para probar su uso como una herramienta de apoyo a planificadores urbanos en la detección de zonas problemáticas para algunos grupos de la población.Durante los últimos 60 años se han propuesto diversas metodologías que nos ayudan a entender los efectos del paisaje sobre la evaluación de quienes lo habitan, sin embargo, de manera aislada cada una de ellas presenta importantes desventajas. El uso de entrevistas cualitativas ha permitido estudios de gran profundidad a nivel de individuos, pero con baja escalabilidad debido a los altos costos en su ejecución y sus resultados son difícilmente generalizables. El uso de encuestas de preferencias declaradas aumenta el alcance de los estudios, pero sacrificando la cantidad de variables analizadas. En la última década, grandes bases de datos de fotografías y el desarrollo en aprendizaje de máquinas ha permitido aumentar la escalabilidad, generando resultados más generalizables respecto de las metodologías cualitativas. Sin embargo, estas nuevas metodologías no han logrado incorporar el análisis de comportamientos heterogéneos y los resultados, al depender de algoritmos altamente no lineales, son de baja interpretabilidad, por lo que los métodos cualitativos aún presentan una importante ventaja en esta dimensión. En el presente estudio se combinan herramientas computacionales y estadísticas para lograr una propuesta metodológica de alta escalabilidad cuyos resultados permiten observar comportamientos heterogéneos frente a elementos específicos del paisaje. Para lograrlo se implementó una nueva encuesta de percepción de espacios públicos, con la cual se recopilan respuestas sobre percepción de espacios públicos acompañadas de una caracterización sociodemográfica del observador. Luego se complementó el proceso de parametrización de las imágenes previamente utilizado en la literatura mediante un algoritmo de detección de objetos. Nuestros resultados logran evidenciar heterogeneidad en la percepción de espacios públicos según género y patrones de movilidad de los observadores. Estos resultados además nos han permitido explorar la aplicación de los modelos para la ciudad de Santiago para probar su uso como una herramienta de apoyo a planificadores urbanos en la detección de zonas problemáticas para algunos grupos de la población.Durante los últimos 60 años se han propuesto diversas metodologías que nos ayudan a entender los efectos del paisaje sobre la evaluación de quienes lo habitan, sin embargo, de manera aislada cada una de ellas presenta importantes desventajas. El uso de entrevistas cualitativas ha permitido estudios de gran profundidad a nivel de individuos, pero con baja escalabilidad debido a los altos costos en su ejecución y sus resultados son difícilmente generalizables. El uso de encuestas de preferencias declaradas aumenta el alcance de los estudios, pero sacrificando la cantidad de variables analizadas. En la última década, grandes bases de datos de fotografías y el desarrollo en aprendizaje de máquinas ha permitido aumentar la escalabilidad, generando resultados más generalizables respecto de las metodologías cualitativas. Sin embargo, estas nuevas metodologías no han logrado incorporar el análisis de comportamientos heterogéneos y los resultados, al depender de algoritmos altamente no lineales, son de baja interpretabilidad, por lo que los métodos cualitativos aún presentan una importante ventaja en esta dimensión. En el presente estudio se combinan herramientas computacionales y estadísticas para lograr una propuesta metodológica de alta escalabilidad cuyos resultados permiten observar comportamientos heterogéneos frente a elementos específicos del paisaje. Para lograrlo se implementó una nueva encuesta de percepción de espacios públicos, con la cual se recopilan respuestas sobre percepción de espacios públicos acompañadas de una caracterización sociodemográfica del observador. Luego se complementó el proceso de parametrización de las imágenes previamente utilizado en la literatura mediante un algoritmo de detección de objetos. Nuestros resultados logran evidenciar heterogeneidad en la percepción de espacios públicos según género y patrones de movilidad de los observadores. Estos resultados además nos han permitido explorar la aplicación de los modelos para la ciudad de Santiago para probar su uso como una herramienta de apoyo a planificadores urbanos en la detección de zonas problemáticas para algunos grupos de la población.Durante los últimos 60 años se han propuesto diversas metodologías que nos ayudan a entender los efectos del paisaje sobre la evaluación de quienes lo habitan, sin embargo, de manera aislada cada una de ellas presenta importantes desventajas. El uso de entrevistas cualitativas ha permitido estudios de gran profundidad a nivel de individuos, pero con baja escalabilidad debido a los altos costos en su ejecución y sus resultados son difícilmente generalizables. El uso de encuestas de preferencias declaradas aumenta el alcance de los estudios, pero sacrificando la cantidad de variables analizadas. En la última década, grandes bases de datos de fotografías y el desarrollo en aprendizaje de máquinas ha permitido aumentar la escalabilidad, generando resultados más generalizables respecto de las metodologías cualitativas. Sin embargo, estas nuevas metodologías no han logrado incorporar el análisis de comportamientos heterogéneos y los resultados, al depender de algoritmos altamente no lineales, son de baja interpretabilidad, por lo que los métodos cualitativos aún presentan una importante ventaja en esta dimensión. En el presente estudio se combinan herramientas computacionales y estadísticas para lograr una propuesta metodológica de alta escalabilidad cuyos resultados permiten observar comportamientos heterogéneos frente a elementos específicos del paisaje. Para lograrlo se implementó una nueva encuesta de percepción de espacios públicos, con la cual se recopilan respuestas sobre percepción de espacios públicos acompañadas de una caracterización sociodemográfica del observador. Luego se complementó el proceso de parametrización de las imágenes previamente utilizado en la literatura mediante un algoritmo de detección de objetos. Nuestros resultados logran evidenciar heterogeneidad en la percepción de espacios públicos según género y patrones de movilidad de los observadores. Estos resultados además nos han permitido explorar la aplicación de los modelos para la ciudad de Santiago para probar su uso como una herramienta de apoyo a planificadores urbanos en la detección de zonas problemáticas para algunos grupos de la población.Durante los últimos 60 años se han propuesto diversas metodologías que nos ayudan a entender los efectos del paisaje sobre la evaluación de quienes lo habitan, sin embargo, de manera aislada cada una de ellas presenta importantes desventajas. El uso de entrevistas cualitativas ha permitido estudios de gran profundidad a nivel de individuos, pero con baja escalabilidad debido a los altos costos en su ejecución y sus resultados son difícilmente generalizables. El uso de encuestas de preferencias declaradas aumenta el alcance de los estudios, pero sacrificando la cantidad de variables analizadas. En la última década, grandes bases de datos de fotografías y el desarrollo en aprendizaje de máquinas ha permitido aumentar la escalabilidad, generando resultados más generalizables respecto de las metodologías cualitativas. Sin embargo, estas nuevas metodologías no han logrado incorporar el análisis de comportamientos heterogéneos y los resultados, al depender de algoritmos altamente no lineales, son de baja interpretabilidad, por lo que los métodos cualitativos aún presentan una importante ventaja en esta dimensión. En el presente estudio se combinan herramientas computacionales y estadísticas para lograr una propuesta metodológica de alta escalabilidad cuyos resultados permiten observar comportamientos heterogéneos frente a elementos específicos del paisaje. Para lograrlo se implementó una nueva encuesta de percepción de espacios públicos, con la cual se recopilan respuestas sobre percepción de espacios públicos acompañadas de una caracterización sociodemográfica del observador. Luego se complementó el proceso de parametrización de las imágenes previamente utilizado en la literatura mediante un algoritmo de detección de objetos. Nuestros resultados logran evidenciar heterogeneidad en la percepción de espacios públicos según género y patrones de movilidad de los observadores. Estos resultados además nos han permitido explorar la aplicación de los modelos para la ciudad de Santiago para probar su uso como una herramienta de apoyo a planificadores urbanos en la detección de zonas problemáticas para algunos grupos de la población.Durante los últimos 60 años se han propuesto diversas metodologías que nos ayudan a entender los efectos del paisaje sobre la evaluación de quienes lo habitan, sin embargo, de manera aislada cada una de ellas presenta importantes desventajas. El uso de entrevistas cualitativas ha permitido estudios de gran profundidad a nivel de individuos, pero con baja escalabilidad debido a los altos costos en su ejecución y sus resultados son difícilmente generalizables. El uso de encuestas de preferencias declaradas aumenta el alcance de los estudios, pero sacrificando la cantidad de variables analizadas. En la última década, grandes bases de datos de fotografías y el desarrollo en aprendizaje de máquinas ha permitido aumentar la escalabilidad, generando resultados más generalizables respecto de las metodologías cualitativas. Sin embargo, estas nuevas metodologías no han logrado incorporar el análisis de comportamientos heterogéneos y los resultados, al depender de algoritmos altamente no lineales, son de baja interpretabilidad, por lo que los métodos cualitativos aún presentan una importante ventaja en esta dimensión. En el presente estudio se combinan herramientas computacionales y estadísticas para lograr una propuesta metodológica de alta escalabilidad cuyos resultados permiten observar comportamientos heterogéneos frente a elementos específicos del paisaje. Para lograrlo se implementó una nueva encuesta de percepción de espacios públicos, con la cual se recopilan respuestas sobre percepción de espacios públicos acompañadas de una caracterización sociodemográfica del observador. Luego se complementó el proceso de parametrización de las imágenes previamente utilizado en la literatura mediante un algoritmo de detección de objetos. Nuestros resultados logran evidenciar heterogeneidad en la percepción de espacios públicos según género y patrones de movilidad de los observadores. Estos resultados además nos han permitido explorar la aplicación de los modelos para la ciudad de Santiago para probar su uso como una herramienta de apoyo a planificadores urbanos en la detección de zonas problemáticas para algunos grupos de la población.
Predicción de tiempo de viaje con información de ejes paralelos y baja frecuencia
(2018) Bahamonde Birke, Ramón Andrés; Giesen Encina, Ricardo; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
La disminución de costos de la tecnología ha permitido dotar masivamente de dispositivos de localización a los vehículos, incrementado la disponibilidad y recolección de información de posicionamiento global (GPS). Debido a lo anterior, se han desarrollado nuevas metodologías que permiten, a partir de este tipo de datos, enfrentar de mejor manera el problema de la estimación de tiempo de viaje para flotas de vehículos. Sin embargo, la implementación de estos métodos requiere de altos volúmenes de información. Con el fin de enfrentar el problema de volumen de datos, en este trabajo se plantea una metodología que permite realizar estimaciones de tiempo de viaje cuando se posee información de posicionamiento GPS limitada. Para ello, se incorpora información asociada al tiempo de viaje de vehículos en ejes paralelos. El método es evaluado usando información GPS generada por el sistema de transporte público Transantiago. Las pruebas se realizan utilizando modelos de regresión lineal, regresión de vectores de soporte y redes neuronales. Los resultados indican que la información de tiempo de viaje en ejes paralelos permite mejorar las estimaciones si se escoge apropiadamente los ejes a utilizar. Además, el uso exclusivo de información de ejes paralelos permite obtener buenas estimaciones cuandono se posee información actual del eje en cuestión.
Using Twitter to Infer User Satisfaction With Public Transport: The Case of Santiago, Chile
(2019) Méndez Videla, José Tomás; Löbel Díaz, Hans-Albert; Parra Santander, Denis; Herrera Maldonado, Juan Carlos
User satisfaction is an important aspect to consider in any public transport system, and as such, regular and sound measurements of its levels are fundamental. However, typical evaluation schemes involve costly and time-consuming surveys. As a consequence, their frequency is not enough to properly and timely characterize the satisfaction of the users. In this paper, we propose a methodology, based on Twitter data, to capture the satisfaction of a large mass of users of public transport, allowing us to improve the characterization and location of their satisfaction level. We analyzed a massive volume of tweets referring to the public transport system in Santiago, Chile (Transantiago) using text mining techniques, such as sentiment analysis and topic modeling, in order to capture and group bus users' expressions. Results show that, although the level of detail and variety of answers obtained from surveys are higher than the ones obtained by our method, the amount of bus stops and bus services covered by the proposed scheme is larger. Moreover, the proposed methodology can be effectively used to diagnose problems in a timely manner, as it is able to identify and locate trends, and issues related to bus operating firms, whereas surveys tend to produce average answers. Based on the consistency and logic of the results, we argue that the proposed methodology can be used as a valuable complement to surveys, as both present different, but compatible characteristics.
Uso de redes neuronales recurrentes con mecanismos de atención para pronóstico de parámetros minero-metalúrgicos
(2021) Correa Hucke, Pedro Pablo; Löbel Díaz, Hans-Albert; Pontificia Universidad Católica de Chile. Escuela de Ingeniería
La refinación electrolítica permite la obtención de cobre de alta pureza, y por ende mayor valor. La calidad del metal obtenido está asociada a dos indicadores de interés: la Eficiencia de Corriente y el Rechazo Físico de cátodos. Una correcta predicción de éstos reduce la variabilidad del proceso, lo que permite mejorar la gestión operacional. El presente trabajo presenta un mecanismo robusto de estimación para los indicadores mencionados. Para esto, se estudia el uso de redes neuronales recurrentes. Se revisa en primer lugar un modelo recurrente simple, así como uno con unidades LSTM. Finalmente se propone una arquitectura secuencial con mecanismo de atención, que permite ponderar de forma diferenciada la información de entrada, de acuerdo a su importancia. Se analiza además un baseline bajo un enfoque de análisis de series de tiempo, usando un modelo auto-regresivo de medias móviles con regresores exógenos (ARMAX). Para el estudio de los modelos propuestos, se utiliza información de una faena de electrorrefinación en Chile. La base de datos utilizada contiene 11.908 observaciones, correspondientes a 962 procesos de electrorrefinación, de entre 10 y 19 días. Al comparar el benchmark con los modelos estudiados, las métricas de error confirman la mayor capacidad del modelo secuencial con mecanismo de atención. Este permite mejorar el error relativo en un 84 % en el caso de la predicción de Rechazo, y un 81,4 % ´ en el caso de la Eficiencia de corriente. Además, el uso de mapas de atención como fuentes de información cualitativa del proceso, confirma la importancia del estado inicial de la cosecha en el valor de los indicadores al final de ésta. Esto establece el inicio de la cosecha como el momento crítico para intervenciones que apunten a mejorar las métricas de rendimiento de la operación.

Browsing by Author "Löbel Díaz, Hans-Albert"

Results Per Page

Sort Options