Oferta de TFT

Detección de objetos multifocal.

En colaboración con la empresa Arquimea.

Detección multimodal de objetos a partir de datos RGBT.

En colaboración con la empresa Arquimea.

Datasets de detección en entornos marinos.

En colaboración con la empresa Arquimea.

Aumentación en datasets para detección en entornos marinos.

En colaboración con la empresa Arquimea.

Se propone desarrollar una aplicación web en javascript que incluya la implementación de un método de detección de bordes en imágenes a nivel subpixel, y permita hacer zoom sobre la imagen para ver el resultado con mayor precisión. El objetivo es que dicha demo pueda publicarse en la revista científica online IPOL, donde ya existen otros métodos de procesado de imágenes que pueden aplicarse online.

El objetivo consistirá en desarrollar un visor de nubes de puntos para escenas exteriores, donde mostrar escenas rurales y urbanas que han sido escaneadas. El usuario debe poder orbitar y hacer zoom, al estilo de Google Earth, y seleccionar diferentes partes de la escena. Pueden usarse dos tecnologías diferentes para el desarrollo: Three.js, que es una librería javascript para gráficos 3D en la web, o Unreal Engine, que es un motor de videojuegos que usa C++ o blueprints.

-

Este Trabajo de Fin de Título (TFT) consistirá en la realización de un estudio comparativo del desempeño de la red neuronal modular profunda Binomial Gate LSTM (BigLSTM), como arquitectura de cómputo tolerante a los datos faltantes y al muestreo irregular de las observaciones, frente a otras arquitecturas neuronales profundas y no profundas.

Para ejecutar lo anterior se trabajará con dos conjuntos de datos tabulados y públicos:

· Predicción espaciotemporal del pH de 36 fuentes de aguas del estado de Georgia, USA (https://www.kaggle.com/datasets/shrutisaxena/water-quality-prediction-data-set/),

· Predicción de la mortalidad por afecciones cardiacas en los pacientes de UCI (https://physionet.org/content/challenge-2012/1.0.0/).

Utilizaremos dichos conjuntos de datos en tareas de predicción y aplicaremos diversas técnicas convencionales de imputación de datos como, por ejemplo, basadas en estadísticos; así como técnicas menos convencionales, como pueden ser los algoritmos de cálculos de datos faltantes, o del ámbito de las Redes Neuronales tolerantes a datos faltantes.

Lo anterior se realizará con el propósito de comparar dichas técnicas con los resultados de predicción obtenidos con la red neuronal BigLSTM.

Desde la perspectiva tecnológica, este TFT plantea la realización de trabajos de desarrollo en los que utilizaremos el lenguaje de programación Python (https://www.python.org/downloads/), y librerías asociadas: TensorFlow (https://www.tensorflow.org/), Scikit-Learn (https://scikit-learn.org/stable/), Matplotlib (https://matplotlib.org/), etc.

Este TFT se encuentra enmarcado en al ámbito del Aprendizaje Automático (Machine Learning), así como como en el uso de técnicas de Aprendizaje Profundo (Deep Learning).

Este Trabajo de Fin de Título (TFT), enmarcado en el ámbito de la Ingeniería del Software, consistirá en el Diseño y Desarrollo de un Sistema de Visualización y Tratamiento Inteligente de Datos Clínicos.

Para realizar lo anterior se plantea un Sistema modular que mediante parametrización realice las fases de Extracción, Tratamiento/Proceso (limpieza, filtrado, ranqueado, etc.), Carga y Almacenamiento de los datos procedentes de los Sistemas Clínicos Asistenciales.

Así como el desarrollo de una API que permita acceder a los datos para realizar operaciones de Visualización de la Información (Query&Reporting), Procesado Analítico (Data Mining), Predicción y Lógica Computacional de Ayuda al Diagnóstico Clínico mediante técnicas de computación inteligente, como computación neuronal, deep learning, etc.

En definitiva, se persigue un Sistema Software preparado y organizado funcionalmente, para poder ser utilizado en estudios paramétricos sobre cualquier conjunto de datos de los almacena y gestiona.

Desde la perspectiva tecnológica, este TFT plantea un desarrollo que implemente las anteriores funcionalidades mediante la utilización de un stack tecnológico basado en Python (https://www.python.org/downloads/), Django (https://www.djangoproject.com/) y MongoDB (https://www.mongodb.com/).

La interacción hombre-robot es una de las apuestas de la industria 5.0. En este TFT se propone que un humano interactúe con un brazo robótico de seis grados de libertad mediante el uso de sensores inerciales solidarios al brazo y mano de un sujeto. El TFT consistirá en llevar a cabo la interconexión de dispositivos con el fin de que el robot se mueva de acuerdo al movimiento del humano.

Requiere habilidades de programación en Matlab

El movimiento de los animales cuadrúpedos puede ser indicativo del bienestar animal. En este proyecto se pretende realizar un estudio del estado del sistema motor de animales cuadrúpedos como animales de ganado o mascotas (perros) y correlacionarlo con su bienestar. El movimiento se detectará con los sensores inerciales de un móvil. El movimiento se analizará en Matlab con la teoría cinemática de movimientos rápidos.

Requiere habilidades de programación en Matlab

Esta propuesta de TFT se enmarca en la línea de investigación interdisciplinar que desarrollan conjuntamente el área de Audiología y Equilibrio del Complejo Hospitalario Universitario Insular Materno-Infantil y el instituto universitario de investigación SIANI.
El equipo médico dispone de registros electrofisiológicos del nervio coclear (eCAPs) y de la función vestibular (VEMPs) en el oído interno.
Estos registros electrofisiológicos necesitan ser etiquetados para identificar las distintas partes que los componen. Actualmente, esta operación se realiza de forma manual.
En este TFT se propone implementar mediante técnicas de Inteligencia Artificial la marcación automática de los registros eCAP y VEMP.

El proyecto pretende el análisis de movimientos a través de esqueletos o siluetas (2 proyectos, uno con esqueletos, otro con siluetas).

Se requieren habilidades en algún framework de deep learning (Keras o Pytorch).

Es un tema que combina gestión (management) y bases de datos relacionales (programación). Se trata de crear una aplicación informática que reciba las referencias bibliográficas de la producción científica generada por nuestra universidad en la base de datos Web of Science, y agrege la información por institutos y grupos de investigación. Los requisitos para el candidato/a son manejar con soltura alguna base de datos relacional y algún lenguaje de programación

ABAKO es un código computacional desarrollado en el Departamento de Física de la ULPGC usado ampliamente en trabajos de investigación en el área de la física atómica de plasmas, incluyendo aplicaciones para el desarrollo de la fusión nuclear por confinamiento inercial. Sin embargo, por razones históricas, ABAKO está escrito mayoritariamente en el lenguaje de programación Fortran77 y usa algoritmos contenidos en librerías propietarias que carecen de mantenimiento y de las que ya no se publican actualizaciones. El objetivo del presente trabajo fin de grado es, por tanto, el análisis y actualización del código y su traducción de Fortran77 al estándar de Fortran 90/95 y Fortran 2003 (o lenguajes alternativos), usando técnicas de programación modular, programación orientada a objetos y programación genérica, garantizando la portabilidad y compatibilidad del código bajo diferentes compiladores, plataformas y sistemas operativos

Resumen: Se trata de poner en marcha una cadena de tratamiento de las imágenes obtenidas durante la campaña Bathypelagic que permita corregir el desenfoque inducido por el movimiento del barco/roseta y - en general - mejorar el contraste de las imágenes.

Actualmente están disponibles distintas utilidaactudes para el análisis de las expresiones faciales (deepface, py-feat, etc.). La propuesta de trabajo consiste en realizar un análisis de la respuesta de los clasificadores a imágenes faciales de distinta resolución, de cara a determinar la configuración más adecuada a adoptar en base a la resolución de la imagen de entrada.

Este TFG consiste en clasificar escritura de niños en tres grupos de edad: niños pequeños, niños medianos y niños grandes. La clasificación se hará a partir de letras separadas escritas en una tableta y a partir de conjuntos de letras. Se podrán usar técnicas de clasificación automáticas (machine learning/deep learning).

Para la elaboración de este TFG se usarán técnicas de Deep Learning para crear un clasificador de los diferentes tipos de plancton que se encuentran presentes en las muestras de microscopio. Se hará énfasis en ser capaz de detectar el plancton y de clasificarlo en el tipo concreto. Este trabajo se realizará en colaboración con investigadores de ciencias del mar de la ULPGC que aportarán las bases de datos de plancton.

La anotación de datos es un caballo de batalla para el desarrollo de clasificadores robustos basados en aprendizaje profundo. Esta propuesta aborda la creación de un mayor conjunto de datos de dorsales de competiciones deportivas, a partir de ejemplos de dorsales ideales y en condiciones reales, haciendo uso de aproximaciones image-to-image.

Evaluación de técnicas de segmentación para el inventario automático de presencia de microplásticos en playas.