Búsqueda de Objetos en Nube de Puntos con Redes Neuronales y Cómputo Evolutivo

Abstract

En esta investigación, se presenta un novedoso método para la detección de objetos en una nube de puntos, el cual combina de manera híbrida dos herramientas fundamentales en el ámbito de la inteligencia artificial. La primera es una red neuronal conocida como Red Conformal (CNet, por sus siglas en inglés de *Conformal Network*), y la segunda es un algoritmo bioinspirado llamado Sistema de Optimización de Bacterias (GCO, también por sus siglas en inglés *Germinal Center Optimization*), basado en sistemas de optimización bacterianos.

El enfoque propuesto aborda desafíos importantes que enfrenta la industria en la detección de objetos tridimensionales a partir de nubes de puntos, como la alta dimensionalidad de los datos, la dispersión de puntos y la complejidad computacional. Al integrar estas dos herramientas, se logra un método híbrido que combina la capacidad de aprendizaje profundo de las redes neuronales con la eficiencia y versatilidad de los algoritmos bioinspirados.

Los resultados obtenidos en esta tesis demuestran que el modelo híbrido propuesto es competitivo, alcanzando altos niveles de precisión y eficiencia en comparación con métodos tradicionales. Este avance no solo contribuye al desarrollo de soluciones más efectivas en el campo de la visión por computadora, sino que también amplía el potencial de aplicación en sectores como la robótica, la automoción y el mapeo tridimensional.