Embedded Files
1. Verificación Automatizada de la Calidad de Historias de Usuario mediante Modelos de Aprendizaje Profundo
Leonardo Espinosa Arévalo
Las historias de usuario son uno de los principales artefactos para comunicar requisitos en proyectos ágiles. Sin embargo, cuando presentan problemas de calidad, pueden generar errores que se propagan durante el desarrollo del software. Este trabajo explora cómo los modelos de aprendizaje profundo, especialmente aquellos basados en arquitecturas Transformer, pueden utilizarse para verificar automáticamente la calidad de estas historias. Para ello, se emplean esquemas de clasificación de etiqueta única y clasificación multietiqueta, orientados a detectar violaciones de criterios de calidad definidos por el marco QUS (Quality User Story).
2. Modelos de predicción espacio-temporal y optimización de recursos para prevención de accidentes viales en Aguascalientes
Bryan Mauricio Castañeda Ramos
Los accidentes viales en Aguascalientes representan un problema creciente de salud pública, con impactos humanos, sociales y económicos significativos. Este trabajo propone una metodología integral que combina técnicas de Machine Learning con algoritmos de optimización para la prevención y gestión de riesgos viales. Se analizan y estructuran tres fuentes principales de datos abiertos: accidentes viales (2019–2024), variables meteorológicas y características de la infraestructura vial. Con esta información se desarrolla un modelo predictivo basado en Random Forest (RF), calibrado mediante regresión isotónica, capaz de estimar la probabilidad de ocurrencia de accidentes por zona y horario. Adicionalmente, se formula una métrica que integra la probabilidad de incidencia con la severidad de los accidentes, permitiendo identificar áreas de alta vulnerabilidad dentro de la red vial. Finalmente, se diseña un algoritmo de optimización basado en localización y cobertura, que incorpora dicha métrica para determinar ubicaciones estratégicas de recursos de emergencia, con el objetivo de asignarlos de manera anticipada y eficaz. Los resultados esperados incluyen la generación de mapas dinámicos de riesgo y propuestas de despliegue óptimo de recursos, contribuyendo a la transición de un modelo reactivo hacia uno proactivo en seguridad vial.
3. Detección de violencia física entre personas mediante aprendizaje multivista profundo
Moisés Abraham Medina Ramírez
La identificación automática de eventos violentos mediante vídeo puede contribuir al desarrollo de sistemas de vigilancia más eficientes y capaces de generar alertas tempranas. En esta plática se presenta una propuesta basada en aprendizaje multivista profundo que integra diferentes representaciones visuales mediante un esquema de apilamiento de múltiples vistas. Se describen los principales elementos del sistema desarrollado, así como los resultados obtenidos
4. Segmentación de neoplasias hipofisarias mediante deep learning
Brenda Liliana Transito Pimentel
La segmentación automática de tumores cerebrales en imágenes de resonancia magnética (MRI) es una tarea clínica de alta relevancia, dado que la delimitación precisa de la lesión es esencial para la planificación quirúrgica y el seguimiento terapéutico. Este trabajo propone y evalúa una familia de arquitecturas de segmentación enfocadas específicamente en tumores hipofisiarios, utilizando el subconjunto correspondiente del dataset público BRISC 2025, que comprende imágenes MRI en los planos axial, coronal y sagital. Como baseline convolucional se evalúa U-Net en cuatro variantes diseñadas para las características morfológicas del tumor hipofisiario: Base, LightMap, ROI y LayerNorm. Frente a ellas se adapta RestormerSeg, arquitectura híbrida CNN-Transformer originalmente concebida para restauración de imágenes degradadas —denoising, deraining y deblurring— que combina atención multi-cabeza en el dominio de canales con redes de alimentación convolucionales, reorientada aquí hacia segmentación binaria. Los modelos se evalúan bajo un protocolo de diez corridas independientes. RestormerSeg obtuvo el mejor desempeño con Dice 0.8136 ± 0.0021 e IoU 0.7053 ± 0.0021, superando a UNetLayerNorm (Dice 0.8061 ± 0.0054) con únicamente 11.56 M parámetros frente a los 31 M de las variantes convolucionales, evidenciando que arquitecturas híbridas transfieren eficazmente a la segmentación médica con ventajas en precisión y eficiencia paramétrica.
5. Detection of anomalies in photovoltaic cells using electroluminescence images and deep neural networks
Yuniel Adrián Villar del Mazo
The rapid growth of the photovoltaic industry in recent decades has driven the need for reliable techniques to detect anomalies in photovoltaic cells. Currently, one of the most successful and effective approaches is electroluminescence imaging inspection, a non-invasive technique that detects anomalies across both the near-infrared and visible spectrum. However, the manual analysis of these images is costly and prone to errors due to the multiple scale complexity and diverse anomaly patterns. To address these challenges, this research proposes architectures based on YOLOv11 and YOLOv12 for automating the detection of anomalies in photovoltaic cells from electroluminescence images using deep neural networks.
6. Análisis, validación y mejora del método de tractografía por streamlines basado en deep learning
Gilberto Alejandro Camarillo García
La tractografía por resonancia magnética es una técnica computacional no invasiva de neuroimagen que permite reconstruir las conexiones de sustancia blanca del cerebro mediante trayectorias continuas denominadas streamlines, esto a partir de datos de difusión de las moléculas de agua en el tejido cerebral. Los métodos clásicos dependen de información local que limitan su precisión, especialmente en regiones de cruce, beso o bifurcación de fibras. Esta tesis estudia un modelo de tractografía basado en aprendizaje profundo con una arquitectura híbrida de bloques convolucional y transformer. Así, se busca que el modelo aprenda a predecir la dirección de propagación de cada paso considerando el contexto espacial local y una ventana de pasos previos, capturando dependencias a lo largo del tracto que los métodos clásicos ignoran. El modelo se entrena y evalúa sobre el dataset ISMRM, conformado de datos sintéticos con ground truth conocido. Se comparan distintas estrategias de semillado y configuraciones del modelo, usando métricas de cobertura de tractos válidos, sobreestimación y precisión de tractos reconstruidos. El objetivo es demostrar que un modelo basado en aprendizaje profundo puede producir tractografías comparables o superiores a los métodos clásicos.
7. Resultados preliminares de un modelo híbrido multisensorial basado en redes de tiempo continuo y espacio de estados selectivo para la detección de fallas en maquinaria rotativa
William Felipe Cetina Pech
En el paradigma de la Industria 4.0, los rodamientos son componentes críticos en el funcionamiento de maquinaria rotativa, siendo los responsables de más del 40% de las fallas globales en este tipo de sistemas. Aunque sus defectos generan patrones vibratorios característicos, estas señales suelen quedar enmascaradas por el ruido industrial. Para mitigar esto, el despliegue de sistemas multisensoriales y el Deep Learning han optimizado el diagnóstico automatizado mediante la fusión de datos. Sin embargo, las soluciones actuales sufren de una elevada complejidad computacional y, frecuentemente, omiten las características dinámicas y la causalidad física intrínseca de las señales de vibración. Para abordar estas brechas, este estudio analiza la viabilidad de un modelo híbrido secuencial que integra modelos de espacio de estados selectivos (S6-Mamba) y redes neuronales de tiempo continuo de forma cerrada (CfC); una combinación que, hasta donde se tiene conocimiento, no ha sido explorada previamente en el estado del arte. La implementación de los modelos de estado selectivo ofrecen una complejidad computacional lineal inferior al costo cuadrático de modelos transformer, mientras que las𝑂(𝑁) 𝑂(𝑁2) redes de tiempo continuo modelan con precisión la física del sistema al operar de manera nativa sobre la variable del tiempo real.
8. Conteo de criaderos de mosquitos en videos tomados a partir de un dron
Javier Eulalio Alvarado Acosta
Este trabajo presenta un sistema para la detección, el conteo y la georreferenciación de criaderos de mosquitos a partir de videos capturados con un dron. El sistema integra tres componentes: un modelo de detección de objetos (YOLO) entrenado sobre el conjunto de datos MBG-V2 para detectar cinco clases de criaderos; un rastreador basado en IOU y Template Matching que asigna un identificador único a cada criadero a lo largo del video, lo que permite el conteo de objetos únicos; y un proceso de georreferenciación que sincroniza la telemetría del dron con los frames del video. El sistema fue evaluado en vuelos del conjunto de datos MBG-V2 sobre zonas urbanas de Río de Janeiro, Brasil. Los resultados demuestran la viabilidad del enfoque para contribuir directamente a la generación de métricas más precisas, lo que fortalece la planeación, el seguimiento y la evaluación de estrategias para el control de enfermedades como el dengue.
9. Navegación hacia Objetos basada en Representaciones Semánticas y Modelos de Lenguaje integrados con el Protocolo de Contexto de Modelo (MCP)
Manuel Isaac González Chi
Esta plática presenta los avances de una investigación enfocada en navegación hacia objetos, una tarea donde el robot debe localizar entidades semánticas dentro del entorno mediante instrucciones en lenguaje natural. La propuesta integra un agente basado en Modelos de Lenguaje de Gran Escala (LLM) que interactúe con una representación semántico-espacial de un entorno robótico simulado en ROS2 mediante herramientas de consulta y acción expuestas en un servidor basado en el Protocolo de Contexto de Modelo (MCP), habilitando capacidades de entendimiento de escena y razonamiento espacial al agente para realizar la tarea dada.
10. Implementación de una arquitectura Model Contex Protocol para la detección, segmentación y conteo de Trypanosoma cruzi en imágenes microscópicas
Héctor Arturo Hernández Escalante
El desarrollo de un servidor basado en Model Context Protocol (MCP) que permita integrar herramientas de visión computacional y aprendizaje profundo para analizar imágenes microscópicas del parásito Trypanosoma cruzi, agente causante de la enfermedad de Chagas. La propuesta busca que el servidor funcione como una arquitectura modular donde distintos componentes puedan trabajar en conjunto: preprocesamiento de imágenes, detección del parásito, segmentación, conteo automático y generación de resultados. En lugar de construir un modelo aislado, la investigación propone una plataforma que coordine estas herramientas mediante MCP, facilitando su reutilización, interoperabilidad y posible uso por grupos médicos o de investigación interesados en el estudio del mal de Chagas.
11. El uso de IA Generativa en la educación de programación
Sebastián Melendez Zorrilla
El uso de plataformas como Chat GPT está transformando la manera en que estudiantes y docentes se relacionan con el aprendizaje. Esta plática aborda, a partir de la revisión de literatura y proyectos relacionados con la enseñanza de la programación y aplicación de IA en educación, los principales retos y dificultades que enfrentan los alumnos, así como el impacto del uso de modelos de inteligencia artificial en la educación. Además, se exploran posibles enfoques para aprovechar estas herramientas como apoyo al aprendizaje, procurando un uso responsable que contribuya al desarrollo académico de los estudiantes.
Page updated
Google Sites
Report abuse