Person: Flores Vidal, Pablo Arcadio
Loading...
First Name
Pablo Arcadio
Last Name
Flores Vidal
Affiliation
Universidad Complutense de Madrid
Faculty / Institute
Estudios estadísticos
Department
Estadística y Ciencia de los Datos
Area
Estadística e Investigación Operativa
Identifiers
6 results
Search Results
Now showing 1 - 6 of 6
- Project number: 177
Item Utilización de metodologías activas de enseñanza para el aprendizaje de las matemáticas, centradas en el estudiante y desarrolladas en el espacio innovador de una hiperaula(2021) Fernández-Salinero Miguel, Carolina; Riva Picatoste, Beatriz De la; Roanes Lozano, Eugenio; Roanes Macías, Eugenio; Gómez González, Daniel; Muñoz Fernández, Gustavo Adolfo; Lucas Burgos, Daniel; Flores Vidal, Pablo Arcadio; Giorgis, Valentina; Sáez Maestro, EvaLa inauguración de la hiperaula de la Facultad de Educación-CFP (UCM) en abril de 2019 y su prioridad de uso para el Máster en Formación del Profesorado de Educación Secundaria, Bachillerato, Formación Profesional y Enseñanza de Idiomas durante el curso académico 2019-2020, supone un marco experimental absolutamente novedoso. Estas circunstancias permiten a la responsable del proyecto y a varios profesores participantes en el mismo, algunos de ellos docentes en el mencionado Máster y pertenecientes a diferentes Departamentos y Facultades de la UCM, así como a varios alumni y personal de administración y servicios implicados en el proyecto, utilizar este innovador espacio para la enseñanza de la asignatura de "Innovación docente e iniciación a la investigación educativa" (especialidad de matemáticas del Máster en Formación del Profesorado), empleando para ello metodologías activas de enseñanza centradas en el estudiante. Item Problemas de tratamiento de imágenes basados en la incorporación de características humanas(2020) Flores Vidal, Pablo Arcadio; Gómez González, DanielEsta memoria se enmarca dentro del tratamiento de imágenes mediante ordenador -image processing-, disciplina que ha ido encontrando cada vez más aplicaciones durante las últimas décadas. Los algoritmos desarrollados para trabajar con imágenes digitales pueden realizar tareas que oscilan desde un bajo nivel de procesamiento -donde se suele enmarcar el problema de detección de bordes- a un nivel alto -reconocimiento de objetos-. Al estar en la base del tratamiento de imágenes -junto con técnicas como el suavizado-, la detección de bordes juega un papel fundamental como paso inicial de muchas de estas técnicas y aplicaciones. Esto se debe a que, por ejemplo, reconocer un objeto en una imagen requiere en general el hallar previamente las diferencias importantes en la información espectral entre los píxeles. Para encontrar estas diferencias hace falta pasar por una serie de fases, la última de las cuales es el escalado. En esta fase final, se establece un método que permite decidir si estas diferencias -edginess- significan que dicho píxel tiene que ser declarado un borde o no. El enfoque clásico durante esta fase de escalado consiste en tomar la decisión de si hay un borde o no estudiando píxel a píxel. Esto puede considerarse como un método de evaluación local, el cual presenta problemas prácticos, ya que los píxeles candidatos a borde no deben considerarse independientes...Item A new approach to Color Edge Detection(Proceedings of the 2019 Conference of the International Fuzzy Systems Association and the European Society for Fuzzy Logic and Technology (EUSFLAT 2019), 2019) Flores Vidal, Pablo Arcadio; Gómez González, Daniel; Castro Cantalejo, Javier; Villarino, Guillermo; Montero, JavierMost edge detection algorithms deal only with grayscale images, and the way of adapting them to use with RGB images is an open problem. In this work, we explore different ways of aggregating the color information of a RGB image for edges extraction, and this is made by means of well-known edge detection algorithms. In this research, it is been used the set of images from Berkeley. In order to evaluate the algorithm’s performance, F measure is computed. The way that color information -the different channels- is aggregated is proved to be relevant for the edge detection task. Moreover, post-aggregation of channels performed significatively better than the classic approach (pre-aggregation of channels).Item New Aggregation Approaches with HSV to Color Edge Detection(International Journal of Computational Intelligence Systems, 2022) Flores Vidal, Pablo Arcadio; Gómez González, Daniel; Castro Cantalejo, Javier; Montero, JavierThe majority of edge detection algorithms only deal with grayscale images, while their use with color images remains an open problem. This paper explores different approaches to aggregate color information of RGB and HSV images for edge extraction purposes through the usage of the Sobel operator and Canny algorithm. This paper makes use of Berkeley’s image data set, and to evaluate the performance of the different aggregations, the F-measure is computed. Higher potential of aggregations with HSV channels than with RGB channels is found. This article also shows that depending on the type of image used, RGB or HSV, some methods are more appropriate than others.Item A New Edge Detection Method Based on Global Evaluation Using Supervised Classification Algorithms(International Journal of Computational Intelligence Systems, 2019) Flores Vidal, Pablo Arcadio; Villarino, Guillermo; Gómez, Daniel; Montero, JavierTraditionally, the last step of edge detection algorithms, which is called scaling-evaluation, produces the final output classifying each pixel as edge or nonedge. This last step is usually done based on local evaluation methods. The local evaluation makes this classification based on measures obtained for every pixel. By contrast, in this work, we propose a global evaluation approach based on the idea of edge list to produce a solution that suits more with the human perception. In particular, we propose a new evaluation method that can be combined with any classical edge detection algorithm in an easy way to produce a novel edge detection algorithm. The new global evaluation method is divided in four steps: in first place we build the edge lists, that we have called edge segments. In second place we extract the characteristics associated to each segment: length, intensity, location, and so on. In the third step we learn the characteristics that make a segment good enough to become an edge. At the fourth step, we apply the classification task. In this work we have built the ground truth of edge list necessary for the supervised classification. Finally, we test the effectiveness of this algorithm against other classical algorithms based on local evaluation approach.Item Balance y futuro de la migración de los jóvenes españoles: Movilidad, emigración y retorno(2018) Navarrete Moreno, Lorenzo; Cuenca García, Cristina; Díaz Catalán, Celia; Díaz Chorne, Laura; Fernández Araiz, Víctor; Flores Vidal, Pablo Arcadio; Lorenzo Rodríguez, Javier