2.2 KiB
Deep-tempest 2023
Este trabajo corresponde al Proyecto de Fin de Carrera en Ingeniería Eléctrica para la Facultad de Ingeniería de la Universidad de la República.
Integrantes:
- Santiago Fernández
- Emilio Martínez
- Gabriel Varela
Tutores:
- Federico La Rocca
- Pablo Musé
Resumen
ACÁ VA el resumen ya corregido
Resultados
ACÁ VAN tablas e imagenes de resultados de los metodos (reutilizar de los del overleaf)
Más ejemplos se pueden ver en el directorio deep-tempest_ejemplos.
También se pueden visualizar desde este enlace (no estable). Aquí las imágenes están estructuradas con el siguiente orden:
- Imagen original
- Imagen espiada (gr-tempest2.0)
- Imagen inferida por método End-to-End
- Imagen inferida por método de umbralización por máxima entropía
Datos
Los datos utilizados este enlace dentro de un archivo ZIP (~7GB). Al descomprimirlo se pueden encontrar las imágenes sintéticas y capturadas realizadas para los experimentos, entrenamiento y evaluación durante el trabajo.
La estructura de los directorios es diferente para los datos sintéticos es diferente al de los capturados. ACA DESCRIBIR BIEN COMO ES
Código y requerimientos
En cada una de los directorios se tiene una guía de cómo ejecutar las pruebas/entrenamiento/experimentos correspondientes.
El código esta escrito en lenguaje Python versión 3.10, donde se utilizó ambientes de Anaconda. Para replicar el ambiente de trabajo crear uno nuevo con las bibliotecas del requirements.txt:
conda create --name deeptempest --file requirements.txt
Activarlo con:
conda activate deeptempest
Referencias
ACA PONER: Referencia a códigos que reutilizamos
- gr-tempest
- KAIR
- DRUNet
- PnP
- Maxima entropia (https://github.com/imadtoubal/Maximum-Entropy-Thresholding-Implementation-in-Python/blob/master/entropy_thresholding.ipynb)