|
|
Ortiz J., Londono J., Novillo F., Ampuno A., & Chávez M. (2015). Determinación de Invariantes en Grandes Centros de Datos basados en Topología Fat-Tree. Revista Politécnica, Vol. 35, pp. 91–96.
Abstract: Durante los últimos años ha existido un fuerte incremento en el acceso a internet, causando que los centros de datos ( DC) deban adaptar dinámicamente su infraestructura de red de cara a enfrentar posibles problemas de congestión, la cual no siempre se da de forma oportuna. Ante esto, nuevas topologías de red se han propuesto en los últimos años, como una forma de brindar mejores condiciones para el manejo de tráfico interno, sin embargo es común que para el estudio de estas mejoras, se necesite recrear el comportamiento de un verdadero DC en modelos de simulación/emulación. Por lo tanto se vuelve esencial validar dichos modelos, de cara a obtener resultados coherentes con la realidad. Esta validación es posible por medio de la identificación de ciertas propiedades que se deducen a partir de las variables y los parámetros que describen la red, y que se mantienen en las topologías de los DC para diversos escenarios y/o configuraciones. Estas propiedades, conocidas como invariantes, son una expresión del funcionamiento de la red en ambientes reales, como por ejemplo la ruta más larga entre dos nodos o el número de enlaces mínimo que deben fallar antes de una pérdida de conectividad en alguno de los nodos de la red. En el presente trabajo se realiza la identificación, formulación y comprobación de dos invariantes para la topología Fat-Tree, utilizando como software emulador a mininet. Las conclusiones muestran resultados concordantes entre lo analítico y lo práctico.
|
|
|
|
Alex Ferrin, Julio Larrea, Miguel Realpe, & Daniel Ochoa. (2018). Detection of utility poles from noisy Point Cloud Data in Urban environments. In Artificial Intelligence and Cloud Computing Conference (AICCC 2018) (pp. 53–57).
Abstract: In recent years 3D urban maps have become more common, thus providing complex point clouds that include diverse urban furniture such as pole-like objects. Utility poles detection in urban environment is of particular interest for electric utility companies in order to maintain an updated inventory for better planning and management. The present study develops an automatic method for the detection of utility poles from noisy point cloud data of Guayaquil – Ecuador, where many poles are located next to buildings, or houses are built until the border of the sidewalk getting very close to poles, which increases the difficulty of discriminating poles, walls, columns, fences and building corners.
|
|
|
|
Patricia Suarez, A. S. (2024). Depth-Conditioned Thermal-like Image Generation. In Accepted in 14th International Conference on Pattern Recognition Systems (ICPRS).
|
|
|
|
Patricia L. Suarez, D. C., Angel Sappa. (2023). Depth Map Estimation from a Single 2D Image. In 17th International Conference On Signal Image Technology & Internet Based Systems.
|
|
|
|
Xavier Soria, Edgar Riba, & Angel D. Sappa. (2020). Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection. In 2020 IEEE Winter Conference on Applications of Computer Vision (WACV) (pp. 1912–1921).
Abstract: This paper proposes a Deep Learning based edge de- tector, which is inspired on both HED (Holistically-Nested Edge Detection) and Xception networks. The proposed ap- proach generates thin edge-maps that are plausible for hu- man eyes; it can be used in any edge detection task without previous training or fine tuning process. As a second contri- bution, a large dataset with carefully annotated edges, has been generated. This dataset has been used for training the proposed approach as well the state-of-the-art algorithms for comparisons. Quantitative and qualitative evaluations have been performed on different benchmarks showing im- provements with the proposed method when F-measure of ODS and OIS are considered.
|
|
|
|
Xavier Soria, A. S., Patricio Humanante, Arash Akbarinia. (2023). Dense extreme inception network for edge detection. Pattern Recognition, Vol. 139.
|
|
|
|
Patricia L. Suárez, A. D. S. and B. X. V. (2021). Deep learning-based vegetation index estimation. In Generative Adversarial Networks for Image-to-Image Translation Book. (Vol. Chapter 9, pp. 205–232).
|
|
|
|
Henry Velesaca, B. V., Jorge Vulgarin, Coen Antens & Alberto Rubio Pérez. (2024). Deep Learning-based Multimodal Sensing Framework for AntiSpoofing Systems. In Fourth International Conference on Innovations in Computational Intelligence and Computer Vision (ICICV 2024), .
|
|
|
|
Boris Vintimilla, J. V., Henry Velesaca. (2023). Deep Learning-based Human Height Estimation from a Stereo Vision System. In IEEE 13th International Conference on Pattern Recognition Systems (ICPRS) 2023, julio 4-7.
|
|
|
|
Patricia Suarez, H. V., Dario Carpio, Angel Sappa, Patricia Urdiales, Francisca Burgos. (2022). Deep Learning based Shrimp Classification. In 17th International Symposium on Visual Computing, San Diego, USA, Octubre 3-5. Lecture Notes in Computer Science (LNCS) (Vol. 13598 LNCS, pp. 36–45).
|
|
