Show simple item record

dc.contributor.advisorHuillcen Baca, Herwin Alaynes_PE
dc.contributor.authorBarboza Gonzales, José Luises_PE
dc.contributor.editorBarboza Gonzales, José Luises_PE
dc.date.accessioned2024-01-11T22:05:05Z
dc.date.available2024-01-11T22:05:05Z
dc.date.issued2023
dc.identifier.urihttps://hdl.handle.net/20.500.14168/822
dc.description.abstractLa enfermedad del Coronavirus (COVID-19) es una enfermedad extremadamente contagiosa y de rápida propagación; por lo tanto, su diagnóstico temprano es de suma importancia. Ante la problemática de no contar con una herramienta eficaz, además de las pruebas para ayudar en la detección, se plantea este trabajo. Este trabajo de investigación plantea evaluar la efectividad de un modelo de clasificación hecho con Deep Learning para la identificación de COVID-19, con el objetivo de determinar qué tan efectivo y eficiente es el modelo propuesto para la detección del virus. Para ello, se hizo uso de tres conjuntos de datos públicos (COVID Chest X-ray, COVID Chest X-ray y COVID-19 Radiography Database) y un conjunto de datos propio utilizado para la validación. Para llevar a cabo la investigación, se utilizaron diversos modelos pre-entrenados basados en la arquitectura DenseNet y se propone una modificación en la arquitectura DenseNet201, donde se realiza una modificación en la primera fase de la convolución y en las "Transition Layers". Este modelo, a su vez, utiliza transfer learning con el Dataset de ImageNet. Los resultados indican que el modelo propuesto llega a una efectividad del 98%, y cuenta con una eficiencia de 18.1M parámetros y 3.2GFLOPs, superando otras propuestas del estado del arte. Se concluye que el modelo propuesto es fiable, efectivo y de bajo costo para la detección del COVID-19.es_PE
dc.formatapplication/pdfes_PE
dc.language.isospaes_PE
dc.publisherUniversidad Nacional José María Arguedases_PE
dc.rightsinfo:eu-repo/semantics/openAccesses_PE
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 Internacional*
dc.rights.uriinfo:eu-repo/semantics/openAccesses_PE
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.subjectDeep Learning, DenseNet, Covid, Rendimiento, Eficiencia, Eficacia.es_PE
dc.titleEfectividad de un modelo de clasificación basado en Deep Learning en la detección de Covid-19es_PE
dc.typeinfo:eu-repo/semantics/bachelorThesises_PE
thesis.degree.nameIngeniero de Sistemases_PE
thesis.degree.grantorUniversidad Nacional José María Arguedas. Facultad de Ingenieríaes_PE
thesis.degree.disciplineIngeniería de Sistemases_PE
dc.type.versioninfo:eu-repo/semantics/publishedVersiones_PE
dc.publisher.countryPEes_PE
renati.author.dni70669118
renati.advisor.dni30861096
renati.advisor.orcidhttps://orcid.org/0000-0001-9385-7940es_PE
renati.typehttp://purl.org/pe-repo/renati/type#tesises_PE
renati.levelhttp://purl.org/pe-repo/renati/nivel#tituloProfesionales_PE
renati.discipline612236es_PE
renati.jurorCatacora Flores, Norma Lorenaes_PE
renati.jurorSoria Solís, Ivánes_PE
renati.jurorSilvera Reynaga, Humbertoes_PE
dc.subject.ocdehttp://purl.org/pe-repo/ocde/ford#2.02.04es_PE


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record

Universidad Nacional José María Arguedas

Jr. Juan Francisco Ramos N° 380. Andahuaylas - Apurimac - Perú | Telf. 083-422176 anexo 1000

Todos los contenidos de repositorio.unajma.edu.pe están bajo la Licencia Creative Commons

Contacto: repositorio@unajma.edu.pe