Tesis de Pregrado en IJCB – 2017

IJCB 2017

El alumno de Magister en Computación,  Ignacio Viedma participo en la Conferencia International Joint Conference on Biometrics (IJCB 2017)  la cual se desarrolló entre el 1-5 Octubre en la Ciudad de Denver, EE.UU. El alumno presentó su trabajo de Tesis guiado por el profesor Juan Tapia Farias. Denominado ” Gender classification using Multispectral Iris Images”.

Noticia UNAB: Aqui

Trabajo: Aqui

 

Anuncios

Book: Iris and Periocular Biometrics Recognition

El Profesor Juan Tapia Farias, a contribuido al libro “Iris and Periocular Biometrics Recognition” con el Capitulo “Gender classification from near infrared iris images“, Publicado por IET Digital Library y editado por Christian Rathgeb ; Christoph Busch.

digital-library.theiet.org
Iris recognition technologies for identity management are already deployed globally in several large-scale nationwide biometric projects and are currently entering …
Tabla de Contenidos

Book: Deep Learning for Biometrics

El profesor Juan Tapia Farias de la UNAB, ha realizado una contribución en el libro Deep Learning for Biometrics con la publicación del Capítulo “Gender Classification from NIR Iris Images Using Deep Learning” El cual fue publicado por la editorial Elsevier en Septiembre 2017 y editado por: Bhanu, Bir, Kumar, Ajay (Eds.)

Tabla de Contenidos:

  • The Functional Neuroanatomy of Face Processing: Insights from Neuroimaging and Implications for Deep Learning, Grill-Spector, Kalanit (et al.).Pages 3-31.

    Real-Time Face Identification via Multi-convolutional Neural Network and Boosted Hashing Forest,Vizilter, Yury (et al.)

  • CMS-RCNN: Contextual Multi-Scale Region-Based CNN for Unconstrained Face Detection

    Zhu, Chenchen (et al.) Pages 57-79.

  • Latent Fingerprint Image Segmentation Using Deep Neural Network

    Ezeobiejesi, Jude (et al.),Pages 83-107

  • Finger Vein Identification Using Convolutional Neural Network and Supervised Discrete Hashing, Xie, Cihui (et al.), Pages 109-132

  • Iris Segmentation Using Fully Convolutional Encoder–Decoder Networks ,Jalilian, Ehsaneddin (et al.), Pages 133-155

  • Two-Stream CNNs for Gesture-Based Verification and Identification: Learning User Style

    Wu, Jonathan (et al.), Pages 159-182

  • DeepGender2: A Generative Approach Toward Occlusion and Low-Resolution Robust Facial Gender Classification via Progressively Trained Attention Shift Convolutional Neural Networks (PTAS-CNN) and Deep Convolutional Generative Adversarial Networks (DCGAN), Juefei-Xu, Felix (et al.), Pages 183-218

  • Gender Classification from NIR Iris Images Using Deep Learning, Tapia, Juan (et al.)

    Pages 219-239,Preview.

  • Deep Learning for Tattoo Recognition, Di, Xing (et al.), Pages 241-256

  • Learning Representations for Cryptographic Hash Based Face Template Protection

    Pandey, Rohit Kumar (et al.), Pages 259-285

  • Deep Triplet Embedding Representations for Liveness Detection

    Pala, Federico (et al.)

Info de Celulares

Estimados alumnos

En  este link se encuentra disponible el link para la descarga de la base de datos de la Tarea 1 de Reconociminnto de patrones 2017.

La clave es la misma para ingresar al material de apoyo

Suerte! que la Fuerza los acompañe!!

 

 

Deep Learning – Help

Estimados alumnos

Dada la complejidad que tiene para algunos realizar la instalación de los driver de CUDA y cuDNN ademas de crear los primeros ejercicios, he decidido agregar este post para que se familiaricen con ejemplos básicos. todos los link y ejemplos señalados han sido probados.

Mas info: AQUI

Suerte y que la fuerza los acompañe!!

 

 

Entrega de proyectos

Estimados alumnos

Mañana martes 27 de junio, se realizará la entrega de los proyectos de Visión Computacional.

En la misma sala (A1-com305) en el horario habitual. Difundir entre los estudiantes.

Oportunidad Laboral

MIRS S.A importante empresa en el área de Robótica y Automatización, perteneciente al Holding Highservice Corp. SpA. requiere a Ingeniero Civil Electrónico, Eléctrico o afín, con experiencia en Visión artificial y machine learning, para formar parte de su equipo de trabajo en el área de Desarrollo. El principal objetivo del cargo es conceptualizar, diseñar e implementar proyectos de visión artificial para robotica aplicada a procesos industriales.

Los requisitos del cargo son los siguientes:

Estudios y/o conocimientos:

– Ingeniero civil electrónico, eléctrico o afín.

– Procesamiento de Imagenes

– Programación avanzada en C++

– Machine Learning.

Experiencia Deseable mínima

– 2 años en desarrollo de proyectos de visión.

La persona que postule debe tener disponibilidad para viajar dentro y/o fuera del país. El lugar del cargo está radicado en Santiago.

Enviar Curriculum Vitae con pretensiones de renta indicando en el asunto“Ingeniero Visión” a jarriagada@mirs.cl

Aviso original

 

Crea un blog o un sitio web gratuitos con WordPress.com.

Subir ↑