Análisis bibliométrico de la aplicación de redes neuronales convolucionales en el área de la visión artificial
DOI:
https://doi.org/10.33554/riv.18.1.2105Palabras clave:
redes neuronales convolucionales, visión artificial, análisis bibliométricoResumen
Este artículo analiza la aplicación de las Redes Neuronales Convolucionales (RNC) en el campo de la visión artificial, mediante el método bibliométrico. Se realiza un análisis de muestras literarias, utilizando estadísticas descriptivas básica, mediante un filtro de la base de datos Scopus de 2526 registros, comprendido en un periodo de 5 años (2018-2022). La revisión del marco teórico revela que las RNC se emplean en diversas aplicaciones de visión artificial como reconocimiento de imágenes, clasificación de objetos, detección de patrones y otras aplicaciones relacionadas con el procesamiento de imágenes incluyendo el diagnóstico de fallas. El análisis bibliométrico indica un significativo aumento en la producción de artículos sobre RNC en el área de la visión artificial, abarcando diversas áreas, como ciencias de la computación e ingeniería, áreas que tienen la concentración más alta de documentos investigativos, además las organizaciones chinas son las que tienen la mayor proporción de filiación y capacidad de financiamiento de investigaciones en este tema sin dejar de mencionar que China lidera la cantidad de publicaciones en RNC. El autor principal que más destaca es Schumann, A.W, no siendo el mismo en otros estudios similares. Las direcciones clave para investigaciones futuras abarcan la exploración experimental cuantitativa y la diversificación de los campos de acción.
Descargas
Referencias
Aloysius, N. & Geetha, M. (2017). A review on deep convolutional neural networks. International Conference on Communication and Signal Processing (ICCSP). pp. 0588-0592. https://ieeexplore.ieee.org/abstract/document/8286426
Barcic, E., Grd, P. & Tomicic, I. (2023). Convolutional Neural Networks for Face Recognition: A Systematic Literature Review. https://www.researchgate.net/publication/372322451_Convolutional_Neural_Networks_ for_Face_Recognition_A_Systematic_Literature_Review
Borella, B. (2022). Introducción a la visión artificial. Procesos y aplicaciones [Trabajo de fin de grado, Universidad de Complutense de Madrid].
https://docta.ucm.es/rest/api/core/bitstreams/ddebb1a6-8474-4a20-91cb- 78247481577f/content
Chen H., Deng Z. (2020), Bibliometric Analysis of the Application of Convolutional Neural Network in Computer Vision. IEEE Access, 8, art. no. 9177006, pp. 155417 – 155428. https://www.scopus.com/inward/record.uri?eid=2-s2.0-85090945582&doi=10.1109%2fACCESS.2020.3019336&partnerID=40&md5=56a0c6827111897d15df410dd1178b7b
Datascientest. (2022, 7 de marzo). Perceptrón: ¿qué es y para qué sirve? https://datascientest.com/es/perceptron-que-es-y-para-que-sirve
Doretto, G. (2021). DARMA Dataset. http://vision.csee.wvu.edu/resources/darmadataset/
Durán Suárez, J. (2017). Redes neuronales convolucionales en R: Reconocimiento de caracteres escritos a mano. https://idus.us.es/bitstream/handle/11441/69564/TFG_Jaime%20Dur%c3%a1n%20Su% c3%a1rez.pdf?sequence=1&isAllowed=y
Forsyth, D.A. & Ponce, J. (2002). Computer vision. A modern approach. Pearson Editorial. http://cdn.preterhuman.net/texts/science_and_technology/artificial_intelligence/Computer%20Vision%20A%20Modern%20Approach%20-%20Forsyth%20,%20Ponce.pdf
García, E. (2019). Introducción a las redes neuronales de convolución. Aplicación a la visión por ordenador [Trabajo de fin de grado, Universidad de Zaragoza]. Recuperado de: https://core.ac.uk/download/pdf/290002463.pdf
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778). https://arxiv.org/abs/1512.03385
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. https://arxiv.org/abs/1704.04861
Huang, G., Liu, Z., Van Der Maaten, L., & Weinberger, K. Q. (2017). Densely connected convolutional networks. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4700-4708). https://arxiv.org/abs/1608.06993
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems (pp. 1097–1105). https://papers.nips.cc/paper_files/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper.pdf
Krishna, R. (2017). Computer vision: Foundations and Applications. Ed. Standford University.
He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. https://arxiv.org/abs/1512.03385
LeCun, Y., Bottou, L., Bengio, Y. & Haffner, P. (1998). Gradient-based learningapplied to document recognition, Proceedings of the IEEE. https://ieeexplore.ieee.org/document/726791
McCulloch, W., Pitts, W., & Hebb, D. (s.f.). Breve Historia de las Redes Neuronales Artificiales (Articulo 1) Created with Sketch. Recuperado de: https://steemit.com/spanish/@iars.geo/breve-historias- de-las-redes-neuronales-artificiales-articulo-1 (consultado el 14 de agosto 2023)
Prahani, B., Imah, E., Maureen, I., Rakhmawati, L. and Saphira, H. (2023). Trend and Visualization of Artificial Intelligence Research in the Last 10 Years. TEM journal, 12, page. 918-927. https://www.temjournal.com/content/122/TEMJournalMay2023_918_927.pdf
Pranckutė, R. (2021). Web of science (Wos) and scopus: The titans of bibliographic information in today's academic world. Publications. https://www.mdpi.com/2304-6775/9/1/12
Ringa Tech. (2019, 16 de agosto). Redes Neuronales Convolucionales - Clasificación avanzada de imágenes con IA / ML (CNN) [Video]. Youtube. https://www.youtube.com/watch?v=4sWhhQwHqug&t=713s
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. Recuperado de: https://arxiv.org/pdf/1409.1556.pdf
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. and Wojna, Z. (2015). Re-thinking the inception architecture for computer vision. https://arxiv.org/abs/1512.00567
Tan, M., & Le, Q. (2019, May). Efficientnet: Rethinking model scaling for convolutional neural networks. In International conference on machine learning (pp. 6105-6114). PMLR. https://arxiv.org/abs/1905.11946
Visión artificial. (2023, 8 de octubre). Wikipedia, La enciclopedia libre.
https://es.wikipedia.org/w/index.php?title=Visi%C3%B3n_artificial&oldid=154418213.
Voulodimos A., Doulamis N., Doulamis A., and Protopapadakis E. (2018). Deep Learning for Computer Vision: A Brief Review. Recuperado de: https://www.scopus.com/inward/record.uri?eid=2- s2.0- 85042148149&doi=10.1155%2f2018%2f7068349&partnerID=40&md5=052d72ab691a 901291acbc7ea12fe5c1
Wang L., Li R., Zhang C., Fang S., Duan C., Meng X., Atkinson P.M. (2022). UNetFormer: A UNet-like transformer for efficient semantic segmentation of remote sensing urban scene imagery. ISPRS Journal of Photogrammetry and Remote Sensing, 190, pp. 196 – 214. https://www.scopus.com/inward/record.uri?eid=2-s2.0- 85132929647&doi=10.1016%2fj.isprsjprs.2022.06.008&partnerID=40&md5=8dd1b68d ec906ec9b7feb3d3b21b6e20
Xu X., Tan M., Corcoran B., Wu J., Boes A., Nguyen T.G., Chu S.T., Little B.E., Hicks D.G., Morandotti R., Mitchell A., Moss D.J. (2021). 11 TOPS photonic convolutional accelerator for optical neural networks. https://www.scopus.com/inward/record.uri?eid=2-s2.0- 85098877351&doi=10.1038%2fs41586-020-03063-0&partnerID=40&md5=006686929aa610a589ddee60ffffd432
Zhang A, Lipton ZC, Li M, et al. (2023). Dive into Deep Learning. https://doi.org/10.48550/arXiv.2106.11342, 2106.11342
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Marco A. De la Cruz-Rocca, Williams Muñoz-Robles, Melquiades A. Trinidad-Malpartida
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los conceptos contenidos en los artículos científicos incluidos en esta edición, son de responsabilidad exclusiva de los autores y no reflejan necesariamente los criterios institucionales.
Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la licencia de Creative Commons Reconocimiento 4.0 Internacional. 
Cómo citar
