[00:28] áéíóúñ [00:35] nas [03:19] lun may 12 00:19:12 UYT 2014 [03:28] hoy instalé dos xubuntus , sigue mi cruzada [03:28] pal log [03:28] gilunes [04:15] hola === ratman is now known as Guest61544 [21:52] hola gente... [21:52] calisto [21:52] ratman [21:52] holas [21:52] asterismo [21:52] que tal [21:52] ratman [21:53] calisto, tenes que programar una red neuronal capaz de detectar asteroides en movimiento en las imagenes que tenemos en el observatorio [21:54] tenemos gigas y gigas de imagenes [21:54] jejeje [21:55] y asterismo no es nada complicado [21:55] jajajaja [21:55] en serio? [21:55] lo más complicado es alinear las imagenes y normalizar [21:55] jajajaj [21:55] no para nada [21:55] uno y la mitad del otro... [21:56] hay que abstraer el problema [21:57] basicamente detectar que cambia en una imagen y la otra [21:57] si [21:58] por ej, rapidamente : [21:58] 1) alinear imagenes [21:59] 2) yo identidicaria puntos con lo centros [22:00] pero se puede hacer con todos los pixeles de entrada, aunque tal vez lleve muchas neuronas de entrada [22:00] si [22:00] eso pensaba [22:00] 3) el entrenamiento [22:00] porque todo los pixeles tienen una informacion [22:00] capaz preprocesar las imagenes para uniformizarlas un poco... tipo imagenes binarias o algo parecido [22:00] si por eso de estronomia saben más ustedes que yo [22:01] che, pero alinear las imagenes se puede? [22:01] lo principal eliminar ruido [22:01] el tema es [22:02] si yo tengo una imagen rectangular, y otra imagen rectangular pero no exactamente del mismo sector [22:02] tengo que normalizarlas [22:02] hacer que sean el mismo rectangulo del cielo [22:02] y eliminar todo lo que sobre [22:03] encontrar la interseccion, no? [22:03] imaginate asterismo el peor caso te doy 2 fotos completamente distintas, de una forma tonta dirias haaaa todo el cielo se movio [22:04] claro encontrar la interseccion [22:04] porque tengo ganas de meterme con algo de eso [22:04] en neurolab con python como hiciste [22:04] me re colgue [22:04] tiene pila de aplicaciones en mi area [22:04] por ejemplo esa [22:04] alineacion de imagenes [22:05] y deteccion de objetos en movimiento [22:05] lo más facil seria que en los metadatos de la imagen estuvieran las coordenadas del cielo que cubren [22:05] el tema es como haces la normalizacion [22:05] y como le das el feedback de exito o fracaso [22:05] esta en los metadatos, mucho mas que la posicion del cielo [22:05] pensa en como la arias vos [22:06] si tenes 2 imagenes como detectas vos el movimiento [22:06] que proceso seguis [22:06] si [22:06] ves lo que cambia [22:06] encuentre las 7 diferencias [22:07] en otras palabras [22:07] ahi va!! [22:07] jajaja [22:07] solo que en las revistas las imagenes estan alineadas y normalizadas [22:07] sino seria muy dificil encontrarlas [22:08] aparte no se si es el caso pero tambien esta el tema de que las proporciones sean distintas [22:08] pero eso es relativamente facil de entrenar [22:09] te armas un juego de 10 imagenes que las creas vos [22:09] si [22:10] y las torces, las deformas [22:10] de tal forma que [22:10] vos sepas cuanto las giraste y cuanto las deformaste [22:11] le pasas las 2 imagenes como entrada ( toda la chorrera de pixeles [22:11] y alimetas la salida con la deformacion que aplicaste [22:12] otra posibilidad tal vez más optima [22:12] es encontrar 5 o 6 puntos de cada imagen que sean los más reprecentativos [22:12] y solo pasar esas coordenadas eso exige menos neuronas [22:15] luego para saber si hay diferencias, pasas los n puntos donde hay luz [22:15] en una y otra [22:15] requiere programas procesamiento de datos [22:15] de imagenes [22:16] si [22:16] voy a ver si me pongo a leer [22:16] a ver que tipo de proceso de puede neuronalizar digamos [22:16] si queres te ayudo a modelar el problema [22:17] el de alineacion y deteccion [22:17] para mi sería un honor [22:17] todo lo otro es normalizacion [22:19] se puede arrancar despacio [22:19] por ej contruyendo una red que alinea cuadrados [22:20] le pasas 8 coordenadas siempre el lado valiendo lo mismo ( con menos coordenadas anda ) y que te de como resultado el angulo [22:20] luego lo cambias a rectangulos y ves como funciona [22:21] luego le pasas 4 puntos y otros 4 puntos no rectangulos pero en la misma fomrma [22:21] y luego la prueba de fuego [22:22] 4 puntos y otros 4 puntos donde [22:22] los segundos 4 puntos esten rotados y deformados [22:22] ahi va [22:22] pero incluis en el proceso de entrenamiento tambien los 4 puntos que solo estaban rotados [22:23] el tema es que no me queda claro como sacar el numero de "grados de libertad" o de neuronas minimas que tiene que tener la red para resolver un cierto problema [22:23] en tu caso con pitagoras [22:23] tenes 2 valores y un resultado [22:23] asi ponderas que primero se avive que tiene que tratar de rotar primero antes de estirar [22:24] prueba y herror [22:24] que yo sepa no hay una prueba exacta de como calcularlo [22:24] pero, no tenes que arrancar con la red entera?? [22:24] es algo asi como elegi un numero entre 0 y 100 [22:24] y yo arranco es mayor o menor a 50 [22:25] mayor o menor a 25 [22:25] mayor o menor a 37 [22:25] mayor o menor a 31 [22:25] y ya lo vas acotando [22:25] para que sea la cantidad de neuronas que calcula lo que precisas [22:26] si le metes muchas neuronas lo que hace es que recuerda mucho y no "piensa" casi nada si el problema es simple [22:32] ahh [22:32] no sabia eso [22:37] eso se llama sobreentrenar [22:37] cuando memoriza [22:37] si le pones pocas no piensa muy bien