revista de ciencia de la computaciÓn - … · se enfrenta a situaciones tanto esperadas como...

REVISTA DE CIENCIA DE LA COMPUTACIÓN

Vol. 4 N° 1 Octubre 2016

Cie

nci

a y

Tecn

olo

gía

Grupo de Investigación IPRODAM

ÍNDICE

INTRODUCCIÓNImportancia de la investigación en la Universidad p. 2

INGENIERÍA DE SOFTWAREDiseñando aplicaciones desplegadas en la nube p. 3

GEOMETRÍA COMPUTACIONALBúsqueda de correspondencias entre cuerpos tridimensionales no rígidos p. 6

Búsqueda parcial de modelos tridimensionales no rígidos p. 18

Descriptor 3D basado en histogramas de grosor p. 12

INTELIGENCIA ARTIFICIALDeep Learning y sus aplicaciones p. 15

LA MATEMÁTICA EN LA COMPUTACIÓNCiencia de la computación en Río de Janeiro p. 18

Importancia de la matemática en el mundo de la computación p. 19

ENTREVISTASRenata Wassermann p. 22

Flávio Soares Corrêa da Silva p. 24

Fabio Kon p. 23

EDITORDr. Cristian López Del [email protected]

COLABORADORReynaldo Alfonte Zapana

http://ulasalle.edu.pe

REVISTA DE CIENCIA DE LA COMPUTACIÓNGrupo de investigación IPRODAM

EDITORCristian López Del AlamoREVISORESOrlando Mazeyra GuillénMadeley Coaquira CongonaLuis PatiñoCOLABORADORESReynaldo Alfonte ZapanaErika Guetti Suca

UNIVERSIDAD LA SALLE EN EL MUNDO

Universidad La Salle - Arequipa INTRODUCCIÓN Vol. 4 No 1, Oclucianotubre 2016 2 / 26

Importancia de la investigación en la Universidad

Raúl Jáuregui Mercado es Director Académico y de Investigación de la UniversidadLa Salle de Arequipa, Perú; Maestro en Investigación Integrativa

Raúl Jáuregui Mercado

La Universidad se ha apropiado dela investigación como uno de sus finesmás importantes. En un sentido metafó-rico, la investigación tendría que ser unviaje y un destino al mismo tiempo. Unviaje, en el entendido de safari, donde elinvestigador inicia una travesía como unobservador intelectual de la realidad, queno solo va acumulando datos, sino quese enfrenta a situaciones tanto esperadascomo inesperadas. Por lo tanto, la razón,la emoción, la perplejidad y la incerti-dumbre forman parte de dicha aventura.Un destino, en la medida que al finalizarel viaje, pueda llegar a un destino antesdesconocido, que coincida o no con lasexpectativas imaginadas o hipotetizadas.

El producto de la investigación es elconocimiento científico en todas sus for-mas y aplicaciones. La investigación esun medio, por cuanto usa el conocimien-to para crear conocimiento, siguiendociertas pautas, métodos, técnicas, instru-mentos; y diversas formas y mecanismosde análisis y síntesis. Por ello se esperaríaque los primeros que tendrían que reci-bir dicho conocimiento, son los propiosestudiantes durante su formación pro-fesional a través de la docencia. Ahorabien, la Universidad no es una isla, formaparte de una sociedad, que tiene cultura

e historia. El conocimiento que produ-ce la Universidad cumple una función,preservadora y a la vez transformadorade esa cultura, por lo tanto existe unamutua influencia entre la sociedad y laUniversidad. A través de la divulgacióndel conocimiento, la Universidad tienela responsabilidad de mantener viva ala sociedad, hacerla más pensante, máscrítica, más humana.

Como quiera que el conocimiento esun insumo crítico que está presente enel acto del pensar, en la forma cómo ca-da quien ve el mundo, en las acciones ydecisiones que se toman como personasy como instituciones (hombre individualy hombre colectivo); entonces, existe laresponsabilidad de producir conocimien-to para todas las esferas de una cultura, esdecir, evitar todo tipo de reduccionismoy la sordera especializada que en últimainstancia mutila al ser humano.

Todo fenómeno frente al cual el co-nocimiento vigente no tiene una explica-ción, abre un nuevo camino. Toda necesi-dad humana se constituye en una poten-cial oportunidad para modelar procesos,artefactos y formas, a los cuales un tipode investigación centrada en la aplicaciónpuede alcanzar nuevas maneras de aten-der dichas necesidades. Una Universidadtiene que estar atenta y centrar sus esfuer-zos en ambos frentes, sería muy riesgosoetiquetar como conocimiento científico alos resultados de toda iniciativa de inves-tigación. De igual manera, resultaría másriesgoso si la Universidad se casa solocon el mundo económico – productivode la sociedad. Es reduccionista pensarque una sociedad está sostenida solo endespliegues económicos. Es reduccio-nista jerarquizar áreas temáticas, dandoimportancia a unas en desmedro de otras.Es reduccionista proveer financiamientoscon plazos de entrega de resultados paratodas las formas de investigación dirigi-da a la ciencia básica, la ciencia aplicaday la tecnológica, como si todos estos

ámbitos fueran iguales. Es reduccionis-ta pensar que sólo es científica aquellainvestigación que trata con objetos medi-bles y fácticos; donde incluso el hombrees un objeto al que se le niega la subje-tividad. Es decir, es reduccionista seguirreconociendo que las ciencias duras y noasí las ciencias blandas, son las únicasque tienen categoría de cientificidad.

Toda esta problemática tiene unacomplejidad que si bien se la reconoce,sin embargo, no se la quiere abordar concomplejidad de pensamiento y de acción.En suma, la ciencia no tiene conciencia,no por causa de la ciencia, sino por cau-sa del hombre mismo. A través de unaserena reflexión Rosenstiel y Shlomo(1986) nos decían que hemos adquiridoconocimientos sin precedentes sobre elmundo físico, biológico, psicológico, so-ciológico, antropológico, dejando atráslo mitológico. La ciencia ha hecho reinar,cada vez más a los métodos de verifica-ción empírica y lógica; mitos y tinieblasparecen ser rechazados a los bajos fondosdel espíritu por las luces de la Razón. Sinembargo, el error, la ignorancia, la cegue-ra progresan por todas partes, al mismotiempo que nuestros conocimientos.

En términos epistemológicos, vivi-mos todavía bajo el imperio de los prin-cipios de disyunción, reducción y abs-tracción; que en conjunto constituyen unparadigma de simplificación. Descartesformuló ese paradigma del pensamientooccidental, desarticulando al sujeto pen-sante (ego cogitans) y a la cosa extensa(res extensa), es decir, filosofía y ciencia,y postulando como principio de verdadsolo a las ideas consideradas como “cla-ras y distintas”, es decir, al pensamientodisyuntor mismo. Este paradigma quecontrola la aventura del pensamientooccidental desde el siglo XVII, ha per-mitido, sin duda, los enormes progresosdel conocimiento científico y tecnoló-gico, que sin duda, en muchos casos,han realizado grandes contribuciones a la

© ULASALLE - IPRODAM RESEARCH GROUP

Universidad La Salle - Arequipa INGENIERÍA DE SOFTWARE Vol. 4 No 1, Oclucianotubre 2016 3 / 26

humanidad; sin embargo, sus consecuen-cias nocivas ulteriores no se comienzan arevelar sino hasta el siglo XX.

Son pues, muchas las dimensiones

del quehacer científico que requieren lanecesidad de repensar un nuevo ordenepistemológico y ético. La Universidadestá llamada a seguir creando las con-diciones para librar batallas intelectuales

que recuperen el humanismo y la liber-tad de pensamiento, y en la mar de in-certidumbres encontrar algunos archipié-lagos temporales de certezas, para seguirhaciendo camino al andar.

Diseñando Aplicaciones Desplegadas en la Nube

La Dra. Silvia L. Tapia Tarifa tiene un doctorado por la Universidad de Oslo,Noruega. Su principal área de investigación se enfoca en los métodos formales y la

ingeniería de software. En la actualidad, se encuentra trabajando en la Universidadde Oslo para los proyectos EU FP7 Envisage [10] y EU FP7 UpScale [11]

Dr. Lizeth Tapia Tarifaemail: [email protected]

La computación en la nube

La computación en la nube (del ingléscloud computing) es un modelo tecno-lógico de prestación de servicios querecientemente está ganando importanciaen el mercado de negocios.

Desde el punto de vista tecnológico,la nube es un sistema distribuido y pa-ralelo a gran escala, que consiste en unagran colección de computadoras interco-nectadas, que son ofrecidas a los clientescomo un recurso unificado [7].

Desde el punto de vista económico,la prestación de servicios en la nube sebasa en negociaciones entre proveedores(por ejemplo Amazon EC2, MicrosoftWindows Azure, Google App Engine,

IBM cloud service, etc.) que ofrecen ser-vicios de infraestructura, plataforma ysoftware de manera virtual a diferentesclientes que pagan de acuerdo a lo queconsumen [17].

En este modelo de prestación de ser-vicios, los clientes pueden rentar recur-sos informáticos virtuales, es decir queen lugar de comprar o alquilar hardwa-re o software, las empresas en la actua-lidad pueden alquilar dichos servicios demanera virtual, permitiéndoles instalar yejecutar sus aplicaciones desde la nube.

A diferencia de implementar un cen-tro de cómputo, los servicios en la nubeson flexibles y escalables, lo que significaque las empresas pueden acceder casi alinstante a más recursos informáticos, de-pendiendo del número de solicitudes porparte de sus clientes y dependiendo dela carga de datos que necesitan procesar.Debido a estas características, la nubeclaramente se posiciona como la próxi-ma generación de recursos informáticos.

En la Figura 1 se puede observaruna representación gráfica de la nube,siguiendo el estilo que Amazon usa pa-ra describir sus servicios virtuales. Estafigura captura cómo los clientes puedenacceder a diferentes máquinas virtualesdesde una sola computadora y a travésdel API (del inglés Application Program-ming Interface) de la nube.

Cloud API

ApplicationService

Figura 1:Representación de la nube

Para aprovechar las ventajas de laelasticidad y la escalabilidad de la nube,las aplicaciones deben ser capaces de ob-servar y manejar recursos informáticos,de tal forma que puedan adaptarse a lasnecesidades de su entorno; por ejemplo,adaptarse a los cambios en el tráfico declientes sin comprometer la calidad deservicio [15].

¿Contamos hoy en día con las téc-nicas adecuadas para desarrollar talesaplicaciones? ¿Está el ciclo de desarro-llo de software preparado para desa-rrollar dichas aplicaciones?

En este artículo voy a dar una intro-ducción general al diseño o modelado desoftware y voy a enfatizar algunos de losretos que la nube impone en esta área deinvestigación.

Como parte del ciclo de desarrollode aplicaciones de software, la ingenieríade software [14, 12] usa técnicas talescomo modelado y análisis para espe-cificar y validar las aplicaciones a serdesarrolladas, de tal forma que tanto losclientes como el equipo de desarrollotengan mejor certeza de que el software aser implementado cumple con las expec-tativas deseadas.



El rol del modelado

El rol principal del modelado de soft-ware es proporcionar las abstraccionesnecesarias que clarifiquen por ejemplo,si la aplicación cumple o no los reque-rimientos del cliente, como es que dichaaplicación va a ser implementada, etc.Es decir, el modelo de software proveeconexiones entre las diferentes fases dedesarrollo de software, ya sea que se estéusando Agile [3], RAD [4], u otra meto-dología.

Normalmente el modelado de soft-ware toma en cuenta [14] (1) una pers-pectiva externa, de tal forma que la apli-cación a ser desarrollada cuente con unadescripción del entorno con el que va ainteractuar, (2) una perspectiva internaque describe el comportamiento de laaplicación, (3) y una perspectiva estruc-tural que describe la arquitectura lógicade la aplicación y la estructura de losdatos que la aplicación va a usar. Las téc-nicas de modelado orientadas a objetos,como UML [5], normalmente cubren laperspectiva interna y la perspectiva es-tructural, dándole menos importancia ala perspectiva externa.

Idealmente, un modelo de arquitec-tura de software incluye diseños orien-tados a ofrecer un buen nivel de calidadde servicio [16]. Parte de estos diseñoscomprende un conjunto de políticas ge-nerales que planifican cómo la aplicacióncumplirá con los requerimientos fun-cionales y no funcionales. Mientras quelos requerimientos funcionales describenqué es lo que la aplicación debe o nodebe de hacer y usualmente tienen unefecto localizado; los requerimientos nofuncionales se centran en cómo es quela aplicación debe de operar, es decir secentra en propiedades globales que laaplicación debe de satisfacer [14]; comopor ejemplo: la aplicación debe tener unnivel aceptable de tiempo de respuesta ydebe de adaptarse a un número variablede usuarios.

Si nos enfocamos en el proceso demodelado de arquitectura de software,tanto investigadores como desarrollado-res de aplicaciones han hecho progresossignificativos en el modelado y análisisde requerimientos funcionales, pero aunno se tiene una idea clara de cómo tratar

sistemáticamente requerimientos no fun-cionales [6]. Por ejemplo, ¿cómo tener encuenta durante el diseño de software lascaracterísticas del ambiente en donde laaplicación va a ser instalada?, tales comola velocidad del procesador, el ancho debanda, el tipo de memoria, etc., ya queestas influyen en la calidad de servicio.

Tiempos de Respuesta

En cuanto a tiempos de respuesta asolicitudes, normalmente las empresasde desarrollo de software utilizan datosbasados en experiencias previas en laetapa de diseño, y una vez que el sistemaestá implementado y puede ser ejecutadoy medido, se utilizan pruebas, ajustes ydiagnósticos. Sin embargo, no es raroque estas empresas descubran que el ren-dimiento de sus aplicaciones está muypor debajo de las expectativas y por endenecesitan un rediseño global que puedeser muy costoso.

Para añadir aun más complejidad altema, a diferencia de las aplicacionesque operan en dispositivos individualeso en entornos predecibles, las aplicacio-nes distribuidas y orientadas al comercioelectrónico operan en ambientes hetero-géneos, posiblemente extendidos geográ-ficamente, e interconectados por una redde comunicación, como en el caso de lanube.

Características

Una de las características a tener en cuen-ta en este tipo de aplicaciones, es que sedesconoce el número de usuarios finales,por consiguiente, estas aplicaciones po-drían sufrir cambios inesperados en sucarga de trabajo, generando cuellos debotella en ciertos componentes críticos.Dichos cuellos de botella podrían ser eli-minados si la arquitectura de softwareestá diseñada e implementada para esca-lar y solicitar más recursos a la nube, tanpronto como se detecte la presencia deun pico en el número de usuarios o unpico en la cantidad de datos a procesar.En la Figura 2 se puede observar una re-presentación gráfica de una arquitecturade software que tiene un flujo de trabajoparcialmente concurrente.

La idea detrás de este modelo de ar-quitectura, es utilizar un administrador

de recursos que distribuye la carga detrabajo a través de un número variablede objetos trabajadores desplegados enla nube y que ejecutan solicitudes en pa-ralelo, observe que en este modelo dearquitectura flexible, el número de ob-jetos trabajadores y por ende el númerode procesadores virtuales, aumentan odisminuyen de acuerdo a la carga de tra-bajo [13].

DC4DC3

CalcServerDC2

CalcServer

DC1

CalcServer

CloudProvider

Invoke task

ApplicationServer =

AppWorkflow + AppRM

CalcServer =

Independent tasks

# of VMTotal Cost

ApplicationServer

AppWorkflow

AppRM

Figura 2:Representación gráfica que ejem-plifica un diseño de arquitectura de soft-ware orientada a la nube

Conclusión

La nube es una tecnología que es-tá ganando importancia y que estáen constante evolución, esta tecno-logía está cambiando la perspectivade cómo el software debe de ser di-señado e implementado, y por endepropone muchos retos, y genera mu-chas preguntas que hasta el momen-to no tienen una respuesta contun-dente.En la actualidad existen muchosproyectos enfocados a investigar es-ta tecnología, por ejemplo, Envisa-ge [10], HyVar [2], CloudML [8],Cumulus [9]. En Particular, el pro-yecto Envisage desarrolla una baseformal, que va más allá de la tec-nología actual de la nube, y que es-tá orientada a garantizar los acuer-dos de nivel de servicio (del inglésSLA – Service Level Agreement)que ofrece la nube.Este proyecto usa métodos formalesy herramientas semi-automáticaspara el análisis formal de la calidadde servicio que se espera obtener dela nube, dichos resultados podríanen el futuro ser usados en las baseslegales de los contratos de serviciosvirtuales [10, 1].

Referencias[1] EU FP7 ENVISAGE. ABS Collabo-

ratory: The ABS toolchain. http:



//abs-models.org/. Acces-sed: 2016-04-02.

[2] EU H2020 research project HyVar.Scalable Hybrid Variability. http://www.hyvar-project.eu/.Accessed: 2016-04-02.

[3] P. Abrahamsson, N. Oza, andM. T. Siponen. Agile softwaredevelopment methods: A compa-rative review. In Agile SoftwareDevelopment, pages 31–59. Sprin-ger, 2010.

[4] P. Beynon-Davies, C. Carne, H. Mac-kay, and D. Tudhope. Rapid Appli-cation Development (RAD): An em-pirical review. European Journal ofInformation Systems, 8(3):211–223,1999.

[5] G. Booch, J. Rumbaugh, and I. Ja-cobson. Unified Modeling LanguageUser Guide, The (2Nd Edition)(Addison-Wesley Object TechnologySeries). Addison-Wesley Professio-nal, 2005.

[6] M. Broy and R. Reussner. Architec-tural concepts in programming lan-guages. IEEE Computer, 43(10):88–91, 2010.

[7] R. Buyya, C. S. Yeo, S. Venugopal,J. Broberg, and I. Brandic. Cloudcomputing and emerging IT plat-forms: Vision, hype, and reality fordelivering computing as the 5th uti-lity. Future Generation ComputerSystems, 25(6):599 – 616, 2009.

[8] EU FP7 CloudML. Model-based provisioning and deploy-ment of cloud-based systems.http://cloudml.org/. Ac-cessed: 2016-04-02.

[9] EU FP7 Cumulus. Certifica-tion Infrastructure for Multi-layerCloud Services. http://www.cumulus-project.eu/. Acces-sed: 2016-04-02.

[10] EU FP7 ENVISAGE. EngineeringVirtualised Services. http://www.envisage-project.eu/.Accessed: 2016-04-02.

[11] EU FP7 UpScale. From Inhe-rent Concurrency to Massive Pa-rallelism through Type-based Opti-mizations. https://upscale.project.cwi.nl/. Accessed:2016-04-02.

[12] C. Ghezzi, M. Jazayeri, andD. Mandrioli. Fundamentals ofSoftware Engineering. Prentice HallPTR, 2nd edition, 2002.

[13] E. B. Johnsen, R. Schlatte, andS. L. Tapia Tarifa. Modelingresource-aware virtualized applica-tions for the cloud in Real-TimeABS. ICFEM’12, LNCS. Springer,2012.

[14] I. Sommerville. SoftwareEngineering (7th Edition). PearsonAddison Wesley, 2004.

[15] S. L. Tapia Tarifa. ExecutableModeling of Deployment Decisionsfor Resource-Aware DistributedApplications. PhD thesis, Depart-ment of Informatics, University ofOslo, AIT Oslo AS, 2014.

[16] R. N. Taylor, N. Medvidovic,and E. M. Dashofy. SoftwareArchitecture-Foundations, Theory,and Practice. Wiley, 2010.

[17] Q. Zhang, L. Cheng, and R. Bou-taba. Cloud computing: state-of-the-art and research challenges.Journal of Internet Services andApplications, 1(1):7–18, 2010.

V Seminario Nacional de Investigación Educativa de la SIEP

El Grupo de Investigación en Psicología y Evaluación dela ULASALLE, liderado por el Dr. Iván Montes Iturrizaga,acaba de calificar con dos papers que serán presentados enel V Seminario Nacional de Investigación Educativa; a rea-lizarse en la ciudad de Ayacucho del 10 al 12 de noviembredel presente año. Cabe señalar que este evento arbitrado esorganizado cada dos años por la Sociedad de InvestigaciónEducativa Peruana (SIEP).

En esta oportunidad se presentarán los estudios: Tensionesparentales en las elecciones vocacionales de los hijos; y,Diferencias de género en la elección de una carrera univer-sitaria o técnica. De otro lado, cabe precisar que participancomo investigadores asistentes de estos dos estudios Ya-jaira Pamplona, Lucía Vallecillo y Carmen Cuno. En estosestudios también participan como asistentes de investiga-ción: Julián Zavala, Claudia Zúñiga y Alonso Mendez.

También, en este V Seminario de la SIEP el Dr. Iván Mon-tes Iturrizaga impartirá el taller - metodológico .Aportes de

las técnicas cualitativas en los estudios de impacto de in-tervenciones educativas".

La ULASALLE calificó con dos estudios en el VSeminario Nacional de Investigación Educativa de la SIEP


Universidad La Salle - Arequipa GEOMETRÍA COMPUTACIONAL Vol. 4 No 1, Oclucianotubre 2016 6 / 26

Búsqueda de correspondencias entre cuerpostridimensionales no rígidos

La Mcs. Madeley Coaquira Congona es miembro del grupo de investigaciónIPRODAM de la Universidad La Salle de Arequipa y tiene una maestría en CienciaInformática, con mención en Tecnologías de Información, Universidad Nacional de

San Agustín, Arequipa, Perú

Mcs Madeley Coaquira Congona

Introducción

La búsqueda de correspondencias es unproblema que, en la actualidad, ha si-do ampliamente estudiado en el cam-po de imágenes 2D; en aplicaciones co-mo: imágenes médicas, reconstrucciónde imágenes, entre otras; para lo cual seemplean a menudo descriptores localesbasados en color y textura.

Sin embargo, en objetos 3D se in-crementa la complejidad de la búsquedade correspondencias, ya que, en la vidareal, los modelos 3D pueden presentarproblemas de ruido, cambios topológicosy escalamiento. Además, es necesariotener una representación de los objetosde tal modo que se puedan procesar y así,tener una comprensión de la estructura delos objetos 3D a un nivel local y global.

Para ello existen diversas formas, deencontrar descriptores que representenlos objetos 3D, una de las técnicas másusadas basadas en la geometría diferen-cial es el Operador de Laplace Beltrami.

Bronstein [3] utiliza los valores y vec-tores propios del operador, asociado conla forma de construir distancias métricasinvariantes, conocidas como distanciasde difusión, que han tenido resultadossignificativamente más robustos en com-paración con la distancia geodésica.

Figura 1: Puntos de interésdetectados sobre transformaciones

isométricas modelos de [3]

Por otro lado, los objeto 3D se eva-lúan, a menudo, a partir de un conjuntode puntos, que representen la totalidaddel objeto, estos puntos, son conocidoscomo puntos de interés o key points, yaque, evaluar el modelo punto a punto escomputacionalmente caro.

Existen técnicas para la detecciónde puntos de interés, como la técnicade detección de esquinas de Harris [5],técnica propuesta para imágenes, des-pués, fue extendida para objetos 3D porGlomb [4], y luego implementada por Si-piran y Bustos [7]. Por otro lado, existen

técnicas basadas en representaciones es-pectrales. Tal es el caso de [9], que utilizala descomposición del operador LaplaceBeltrami para detectar puntos con mayorretención de calor.

Mi investigación presenta un métodopara encontrar correspondencias entrelos puntos de interés de objetos tridi-mensionales no rígidos. Se propone unmétodo de detección de puntos de in-terés, reduciendo el tamaño de espaciode búsqueda. Finalmente, la búsquedade similaridad o disimilaridad entre loskey points es guiada por un método debúsqueda de correspondencias basado enel análisis de simetría.

Figura 2: Correspondenciasencontradas con el método

propuesto. Ejemplo: Humanoisometría, nivel 3. Modelos

tomados de [3]

Para solucionar estos problemas sepresentan descriptores característicos ba-sados en la auto descomposición del ope-rador de Laplace Beltrami, como es el ca-



so del descriptor Global Intrinsic Sym-metry Invariant Function (GISIFs).

1. Metodología propues-ta

Detección de puntos de interés

La propuesta consiste, primeramente,en generar un descriptor basado en si-metría y difusión de calor. Para obtenerlas características simétricas, se proponeuna variante del descriptor propuesto porWang [10].

f(p) =

∑lj=1 φ

2ij(p)

lλi(1)

Donde l es el número de repeticiones delautovalor λi y φij es el autovector parael autovalor j.

Por otro lado, las características dedifusión de calor son obtenidas por eldescriptor Heat kernel Signature (HKS),propuesto en [9]. El HKS consiste encapturar la información de la disipaciónde calor a un punto x después de un tiem-po t.

La concatenación de estos descrip-tores forma nuestro nuevo descriptor. Apartir de estas características obtenidas,se realiza un proceso de selección y fil-trado de puntos de interés. La vecindadutilizada está determinada por el segundonivel de adyacencias del punto evaluado.

Entonces, se considera un punto deinterés, si cumple las siguientes condi-ciones: (1) Debe ser un máximo localcon respecto a la norma del descriptor decaracterísticas. (2) El valor característicodebe ser mayor a un umbral dado.

Correspondencias entre puntos deinterés

Para detectar correspondencias, setiene como entrada dos modelos, un ob-jeto 3D que no ha sufrido ninguna trans-formación (modelo null) y, un objeto 3Dcon alguna transformación isométrica(modelo transformado), topológica o quepresente ruido, de la base de datos Tosca[2], se detecta los key components paracada modelo, utilizando el método pre-sentado en [6].

El método propuesto por Llerena [6],está basado en el descriptor GISIFs.

Una vez obtenido los key compo-nents, se determina el vector de caracte-rísticas para cada key component, paraello, se obtiene el promedio de los des-criptores de características de todos losvértices que pertenecen al key compo-nent.

El vértice con la menor distancia eu-clídea al promedio obtenido, será el vér-tice que represente el key components.

Luego, para aprovechar las caracte-rísticas simétricas que se obtienen deldescriptor GISIFS [10], se buscan los pa-res de key components simétricos. Estospares de key components son agrupadossi, la distancia euclídea es mínima conrespecto al resto.

Figura 3: Ejemplo de descriptoresde los centroides correspondientes

a los componentes de algunosmodelos de humano con diferentes

transformaciones

Una vez obtenidos los key compo-nents simétricos, se obtienen la corres-pondencia entre pares de key componentssimétricos, de igual manera mediante ladistancia euclídea.

Finalmente, se busca la correspon-dencia entre puntos de interés de los key

components que corresponden, para ello,el resultado final se obtiene, plantean-do el objetivo como un MIQP (MixedInteger Quadratic Program), similar almétodo propuesto por Sipiran [8]. Sinembargo, la principal diferencia es queel método propuesto está basado en labúsqueda de key components simétricosque corresponden.

Entonces, se tiene Xc y Yc, dos keycomponents que pertenecen a los mode-los X y Y respectivamente, a cada uno lepertenece un conjunto de puntos de inte-rés {x1, x2...xi} y {y1, y2...yj}, de igualforma que en [8], se define un valor boo-leano, que permitirá identificar si los pun-tos de interés corresponden o no.

xi, yj =

{1 Si: xi corresponde yj0 Otro caso

(2)

Figura 4: Correspondenciasencontradas con el método

propuesto. Ejemplo: Caballo,huecos, nivel 3. [3]

Luego, se define una función cua-drática, con dos términos: un términocuadrático y un término lineal. El tér-mino cuadrático se basa en consistenciageométrica, es decir, dado un conjunto depuntos de interés del modelo X , (x′i, xi),y del modelo Y , (y′j , yj), que correspon-den entre sí, se espera que la distanciageodésica entre los puntos i, i′ sea simi-lar a la distancia geodésica entre j, j′, [8].

Para resolver esta ecuación cuadráti-ca, se usa la librería de MATLAB OPTI

1http://www.i2c2.aut.ac.nz/Wiki/OPTI/index.php/DL/DownloadOPTI



MIQP del toolbox OPTI 1.

Conclusión

Se proponen dos nuevos métodos,uno capaz de encontrar puntos deinterés y el segundo corresponden-cias entre puntos de interés de dosobjetos 3D, basado en la descom-posición de un modelo en key com-ponents y aprovechando la simetríaque presentan los objetos 3D.

Existen muchas aplicaciones endiversas áreas como: la arqueología,medicina, cine, etc. Y con el auge endispositivos para recuperar los datosde objetos 3D, el área de análisis decuerpos 3D, seguirá creciendo, dan-do pase a mas aplicaciones que se-rán parte de nuestra vida cotidiana.

Referencias[1] E. Boyer, A. M. Bronstein, M. M.

Bronstein, B. Bustos, T. Darom,R. Horaud, I. Hotz, Y. Keller,J. Keustermans, A. Kovnatsky,R. Litman, J. Reininghaus, I. Si-piran, D. Smeets, P. Suetens,D. Vandermeulen, A. Zaharescu,and V. Zobel. Shrec 2011: Robustfeature detection and descriptionbenchmark. In Proceedings ofthe 4th Eurographics Conference

on 3D Object Retrieval, 3DOR’11, pages 71–78, Aire-la-Ville,Switzerland, Switzerland, 2011.Eurographics Association.

[2] A. M. Bronstein, M. M. Brons-tein, U. Castellani, A. Dubrovi-na, L. J. Guibas, R. P. Horaud,R. Kimmel, D. Knossow, E. von,Lavante, D. Mateus, M. Ovsjani-kov, and A. Sharma. Shrec 2010:Robust correspondence benchmark.Eurographics Workshop on 3DObject Retrieval, 2010.

[3] Alexander M Bronstein, Michael MBronstein, Ron Kimmel, MonaMahmoudi, and Guillermo Sapi-ro. A gromov-hausdorff frame-work with diffusion geometry fortopologically-robust non-rigid sha-pe matching. International Journalof Computer Vision, 89(2-3):266–286, 2010.

[4] Przemysław Głomb. Detection ofinterest points on 3d data: Exten-ding the harris operator. In MarekKurzynski and Michal Wozniak,editors, Computer RecognitionSystems 3, volume 57 of Advancesin Intelligent and Soft Computing,pages 103–111. Springer BerlinHeidelberg, 2009.

[5] Chris Harris and Mike Stephens. Acombined corner and edge detector.In Alvey vision conference, volu-

me 15, page 50. Manchester, UK,1988.

[6] Jan Llerena. Busqueda parcial enmodelos tridimensionales no rígi-dos mediante descriptores espectra-les. Master’s thesis, UniversidadNacional de San Agustín, Arequipa,Perú, 2016.

[7] Ivan Sipiran and Benjamin Bustos.Harris 3d: a robust extension of theharris operator for interest point de-tection on 3d meshes. The VisualComputer, 27(11):963–976, 2011.

[8] Ivan Sipiran and Benjamin Bus-tos. A fully hierarchical approachfor finding correspondences in non-rigid shapes. In Computer Vision(ICCV), 2013 IEEE InternationalConference on, pages 817–824.IEEE, 2013.

[9] Jian Sun, Maks Ovsjanikov, andLeonidas Guibas. A concise andprovably informative multi-scalesignature based on heat diffusion.In Computer graphics forum, vo-lume 28, pages 1383–1392. WileyOnline Library, 2009.

[10] Hui Wang, Patricio Simari, ZhixunSu, and Hao Zhang. Spectral globalintrinsic symmetry invariant fun-ctions. In Proceedings of the 2014Graphics Interface Conference, pa-ges 209–215. Canadian InformationProcessing Society, 2014.

UNIVERSIDAD LA SALLE - AREQUIPA

La Universidad La Salle de Arequipa es una obra de laCongregación de los Hermanos de las Escuelas Cristianasde La Salle y, como tal, cuenta con una tradición de másde 320 años aprendiendo, enseñando y educando; además,formamos parte de la Asociación Internacional de Univer-sidades De La Salle (AIUL), entidad que agrupa a más de70 instituciones de educación superior en todo el mundo.

Si deseas ver información sobre nuestras carre-ras y nuestros procesos de admisión visítanos enwww.ulasalle.edu.pe.

Universidad La Salle de Arequipa, una obra de loshermanos de La Salle



Búsqueda parcial de modelos tridimensionales norígidos

Jan Franco Llerena Quenaya es Magíster en ciencias informáticas con mención entecnologías de información por la Universidad Nacional de San Agustín, es

miembro del grupo de investigación IPRODAM de la Universidad La Salle deArequipa

Mcs. Jan Franco Llerena Quenaya

La computación en la nube

El desarrollo de algoritmos para elanálisis de imágenes ha sido estudiadopor décadas. Sin embargo, los avancestecnológicos y la posterior aparición denuevos dispositivos a bajo costo parala captura de datos tridimensionales, hanlogrado que la comunidad científica pres-te una atención especial en el desarrollode métodos para el análisis de modelostridimensionales. Gracias a ello, el usode modelos 3D en diversos tipos de apli-caciones ha sido posible: medicina, ar-queología, arquitectura, Computer-AidedDesign o CAD, entretenimiento digital,videojuegos, entre otros.

La evolución de este campo ha crea-do la necesidad de analizar y procesarlos objetos 3D, ya sea a un nivel geo-métrico, topológico o semántico. Comoconsecuencia, muchas bases de datostridimensionales han aparecido y evolu-cionado, haciéndose cada vez más gran-des. Un claro ejemplo es 3D Warehouse

(https://3dwarehouse.sketchup.com/), unservicio en la nube que permite a losusuarios subir modelos tridimensionalesa Internet, así como buscarlos, descargar-los o compartirlos.

Al trabajar con colecciones de da-tos 3D, se necesitan algoritmos eficien-tes que permitan realizar búsquedas. Esteproblema puede ser afrontado mediantedos enfoques: búsqueda global, que con-sidera similitudes globales entre dos for-mas; y búsqueda parcial, que considerasubpartes de los modelos para las consul-tas.

Figura 1: Búsqueda por similitud.(q) objeto consulta, (a) resultados.

Créditos: [2]

Antes de profundizar en el tema debúsquedas de modelos, es importantesaber que las formas pueden estar some-tidas a diversas transformaciones comorotación, escala, desplazamiento o in-cluso isometrías, tal y como sucede enel mundo real. Esto eleva la compleji-dad del problema, pues la intención esencontrar un modelo 3D similar a otroindependientemente de su posición, pos-tura o posibles deformaciones.

Considerando que los cuerpos tridi-mensionales son representados por nubes

de puntos o mallas triangulares, reali-zar un proceso de búsqueda que evalúela totalidad de puntos en los modeloses costoso computacionalmente. En estesentido, encontrar aquellos puntos de lamalla que sean representativos es necesa-rio. Este conjunto de puntos son llamadoskey points o puntos de interés.

Los key points, son aquellos puntosque presentan una mayor variación en lasuperficie de la estructura con respecto asus vecinos. A pesar de que son útiles pa-ra reducir la complejidad del problema, elnúmero de key points puede ser aún muygrande como para ser empleados en pro-cesos de búsqueda. Es por ello que se re-comienda su agrupamiento en estructurasllamadas “componentes” [4].

El proceso de búsqueda parcial demodelos 3D propuesto tiene dos etapasprincipales, primero la detección de keycomponents y segundo, la similitud entremodelos consulta y modelos de las co-lecciones tridimesionales en base a susdescriptores.

Para detectar los componentes clavees necesario encontrar primero aquellospuntos de interés en la malla para reducirla complejidad del problema. El algorit-mo propuesto busca detectar puntos deinterés ubicados en aquellas zonas dondeexiste mayor variación de la curvaturalocal. Estos puntos son agrupados deacuerdo a su cercanía geodésica, y losconjuntos obtenidos permiten la extrac-ción de componentes en las mallas.

Para la solución del problema de bús-queda en sí, se propuso un algoritmoque permite buscar modelos parciales enuna base de datos formada por modeloscompletos. La búsqueda de componentescomo paso previo es importante, puesto



que se considera que las zonas de altaprotrusión en mallas tridimensionalesson más representativas que las zonasplanas.A través de gráficas Precision-Recall, sepuede evaluar el desempeño de diver-sos tipos de descriptores del estado delarte para resolver el proceso de búsque-da parcial. Considerando firmas basadasen calor (HKS) [5], ondas (WKS) [1] ysimetrías (GISIF) [6], los resultados ob-tenidos son alentadores.

Figura 2: Key points de un modelo 3D Figura 3: key components de unmodelo 3D

(a) Comparación del descriptor HKS (b) Comparación del descriptor WKS () Comparación del descriptor GISIF

Figura 4: Variación de Precision–Recall al emplear bag of words y distintos tamaños de diccionarios para el proceso de búsqueda

Figura 5: (a) Consulta, (b) 5 mejores resultados del proceso de búsqueda parcial

A pesar de los avances y esfuerzosque se vienen realizando en esta área,aún hay muchos problemas abiertos porresolver: ¿Cómo combinar globalidad ylocalidad de manera eficiente para teneruna mejor representación de los mode-los?, ¿es posible usar redes neuronales ydeep learning para aprender característi-cas y clasificar modelos de manera au-

tomatizada?, ¿cómo afrontar aquellas de-formaciones generadas en el proceso deadquisición de modelos y que alteran suestructura de manera considerable? Estasy muchas más interrogantes permiten queesta área siga en constante crecimiento yhaya recibido un interés especial por par-te de la comunidad científica en los últi-mos años.

Referencias

[1] M. Aubry, U. Schlickewei, andD. Cremers. The wave kernelsignature: A quantum mechani-cal approach to shape analysis.In Computer Vision Workshops(ICCV Workshops), 2011 IEEEInternational Conference on, pages



1626–1633, Nov 2011.

[2] Benjamin Bustos, Daniel A. Keim,Dietmar Saupe, Tobias Schreck, andDejan V. Vranic. Feature-based simi-larity search in 3d object databases.ACM Comput. Surv., 37(4):345–387, December 2005.

[3] Z. Lian, A. Godil, B. Bustos,M. Daoudi, J. Hermans, S. Kawamu-ra, Y. Kurita, G. Lavoué, H. V. Ngu-yen, R. Ohbuchi, Y. Ohkita, Y. Ohis-hi, F. Porikli, M. Reuter, I. Sipi-ran, D. Smeets, P. Suetens, H. Ta-bia, and D. Vandermeulen. Shrec’11

track: Shape retrieval on non-rigid 3dwatertight meshes. In Proceedingsof the 4th Eurographics Conferenceon 3D Object Retrieval, 3DOR ’11,pages 79–88, Aire-la-Ville, Switzer-land, Switzerland, 2011. Eurograp-hics Association.

[4] Ivan Sipiran and Benjamin Bus-tos. Key-components: detectionof salient regions on 3d meshes.The Visual Computer, 29(12):1319–1332, 2013.

[5] Jian Sun, Maks Ovsjanikov, and Leo-nidas Guibas. A concise and pro-

vably informative multi-scale signa-ture based on heat diffusion. InProceedings of the Symposium onGeometry Processing, SGP ’09, pa-ges 1383–1392, Aire-la-Ville, Swit-zerland, Switzerland, 2009. Euro-graphics Association.

[6] Hui Wang, Patricio Simari, ZhixunSu, and Hao Zhang. Spectral glo-bal intrinsic symmetry invariant fun-ctions. In Proceedings of the 2014Graphics Interface Conference, pa-ges 209–215. Canadian InformationProcessing Society, 2014.

Inka Labs – Fincite

Inka Labs – Fincite es una empresa que viene trabajandodesde hace cinco años en la elaboración y exportación desoftware hacia Europa. La empresa fue formada por Jo-sé Alonso Peñarrieta Escobedo y César López Rodríguez,ambos apasionados de la tecnología.

Inka Labs está demostrando que en Perú, y en especial enArequipa, se puede desarrollar software de calidad, com-petir con otras empresas de diferentes partes del mundo ydestacar en un continente tan exigente como Europa. Es-te año, dicha empresa alcanzó un reconocimiento en losStevie Awards 2016, premios alemanes de gran prestigio,ganando la medalla de oro, como mejor startup de Fintech.

La empresa desarrolla software que une finanzas y tecno-logía, a la unión de éstos se le conoce como "Fintech".Ellos, apasionados por el Fintech, creen firmemente queen el futuro cercano los bancos no necesitarán guardias deseguridad, ventanillas de atención, ni infraestructura físi-ca para funcionar. Las personas no formarán largas colaspara solicitar créditos, realizar depósitos y otras activi-dades financieras. Cualquiera podrá realizar todas estastareas desde cualquier dispositivo, ya sea un celular o unacomputadora en casa.

El software y las aplicaciones que desarrollan, tienen elfin de que las transacciones y operaciones financieras serealicen de una forma rápida, simple, amigable y cómo-da para las personas. Esto sin descuidar la seguridad que

esta información, tan delicada, merece. Ellos proveen so-luciones a nivel de usuario final, ayudando a personas aadministrar mejor sus finanzas personales o familiares; co-mo también soluciones orientadas a empresas bancarias ymarketplaces, que gestionan transacciones de gran valorentre grandes corporaciones.

En la actualidad, cuentan con 12 proyectos en ejecucióny un equipo de 43 personas en Perú entre desarrolladoresde software, administradores de servidores, diseñadoresgráficos y personal administrativo.

Inkalabs Fincite, se encuentra en la permanente búsque-da de personas talentosas para integrarlas a su equipo. Sideseas más información ingresa a www.inka-labs.com oescribe a [email protected]

Figura 1: Fundadores de Inkalabs - Fincite



Un descriptor 3D basado en la complejidad de laprofundidad de modelos e histogramas de grosor

José Sotomayor Malqui es un estudiante de Maestría en la Universidad Federal doRio Grande do Sul en Porto Alegre, Brasil. Sus áreas de interés incluyen temas deanálisis visual, minería de datos y computación gráfica. Durante sus estudios de

pregrado participó de proyectos de desarrollo de software, competencias deprogramación y como miembro del grupo de investigación IPRODAM (Image

Processing and Data Mining)

José Sotomayor Malqui

¿Cuál es la importancia de los modelos 3D?

Los avances de la tecnología en el modelado 3D y técnicasde escáner han marcado gran parte del área de investigación dela computación gráfica en los últimos años. Han surgido poten-tes herramientas, las cuales permiten utilizar lásers accesiblespara generar rápidamente mallas en tres dimensiones de ob-jetos del mundo real. Junto con el incremento de los detallesen las mallas y la habilidad de las GPU (Graphics ProcessingUnits) para renderizar modelos 3D en alta resolución, se ha in-crementado la demanda por el contenido 3D en diferentes cam-pos. Desde la medicina y las aplicaciones de ingeniería hastalos videojuegos y las películas. Como resultado el número demodelos 3D disponibles para el público en general ha aumen-tado considerablemente.

Hoy en día existen bases de datos online con miles de mo-delos 3D gratuitos. El obtener los modelos 3D de dichas basesde datos incrementa su reutilización y su intercambio para evi-tar los gastos de crear un nuevo modelo 3D desde cero, lo cualgeneralmente es una labor que requiere habilidad, tiempo y he-rramientas dedicadas.

La recuperación basada en contenido o CBR por sus siglasen inglés (Content-Based Retrieval) tiene un importante papelen el proceso de reutilización de modelos. La idea central deCBR es la utilización de descriptores para capturar las caracte-rísticas de los modelos 3D. Dado un descriptor, la búsqueda porsimilitud se reduce a comparar el descriptor del modelo con to-dos los descriptores de los modelos en la base de datos. A pesarde que muchos descriptores han sido propuestos en la últimadécada [1, 2, 3, 4], ninguna propuesta ha podido presentar unresultado definitivo para volverse un standard. Una de las ra-zones por las cuales CBR es mucho más difícil en modelos 3Dque en texto o imágenes [1], es por causa de la alta dimensiona-lidad y variabilidad de los modelos 3D. Por ejemplo, los mode-los 3D son difíciles de parametrizar y pueden tener topologíasarbitrarias.

El descriptor DCTH

Figura 1: Búsqueda de modelos 3D similares.

Un descriptor de modelos o shape descriptor, es una mane-ra compacta de representar las características de modelos 2Do 3D. Además de la velocidad en el cálculo, un buen shapedescriptor debe satisfacer características adicionales que son



específicas entre cada aplicación. Para la recuperación de mo-delos basados en la forma, las siguientes características son re-levantes [5, 6, 7]:

Capacidad de discriminación

Invarianza

Robustez

Escalabilidad

Guiados por estas características deseables, nace el descrip-tor DCTH (Depth Complexity and Thickness Histogram), undescriptor estadístico basado en dos medidas: la complejidadde la profundidad de un modelo y (DC) y la distribución de sugrosor (T). Estas dos características intentan capturar las carac-terísticas geométricas y topológicas de un modelo 3D, respecti-vamente. De esta manera se incrementa el poder discriminativodel descriptor. Ambas técnicas son robustas en la presencia detransformaciones rígidas y pueden ser implementadas eficien-temente en la GPU.

Descriptor Depth Complexity

Para explicar el descriptor DC, considere un rayo r en un es-pacio 3D. La complejidad de profundidad (DC) de un modelo3D respecto a un rayo r es definida como el número de inter-secciones de r con el modelo. Ahora considere una esfera al-rededor del modelo. Cada rayo que intersecta el modelo tam-bién tiene dos puntos de intersección con la esfera, descritospor las coordenadas polares θ1, γ1 and θ2, γ2. Por lo tanto, lacomplejidad de la profundidad del modelo para un rayo da-do r = (θ1, γ1, θ2, γ2) puede ser codificada como la funciónDC(θ1, γ1, θ2, γ2) → N de cuatro variables. Esta función decuatro dimensiones sobre el espacio de los rayos proyectadoscaptura la complejidad de la profundidad de todo el modelo.Figura 2.

Figura 2: Función DC muestreada para los rayos r1,r2 y r3para una forma simple. Izquierda: para cada rayo el número

de intersecciones con la forma dan el valor DC. Derecha:distribución DC correspondiente.

Descriptor de Grosor (Thickness Distribution)

El segundo componente del descriptor DCTH es la distribuciónde grosor (T). A diferencia del descriptor DC, el grosor discri-mina los modelos de acuerdo a sus propiedades geométricas.

Como punto inicial, utilizamos la siguiente definición de gro-sor de un modelo a lo largo de un rayo r. Un rayo r con 2nintersecciones xi, 1 ≤ i ≤ 2n con un modelo genera n valoresde grosor ti = ‖x2i+1 − x2i‖, 1 ≤ i ≤ n siendo las distanciasentre puntos de intersección consecutivos a lo largo del rayo.En nuestro trabajo solo utilizamos el grosor usando t0, es decirla distancia entre la primera y la segunda intersección entre elmodelo y el rayo. Esto no disminuye la calidad del descriptordado que las intersecciones más profundas generalmente soncapturadas por los valores t0 de otros rayos o pertenecen a de-talles muy específicos los cuales no son nada visibles, desde unpunto de vista alejado del modelo.

Descriptor DCTH

El descriptor DCTH es un histograma 2D obtenido al juntar loshistogramas 1D de los descriptores DC y T. DCTH correlacio-na la frequency de valores de ambos histogramas y obtiene unamejor discriminación que al utililzar los histogramas separada-mente. Figura 3.

Figura 3: Comparación de los histogramas DC, T y DCTHpara tres objetos de clases típicas en la base de datos

Princeton (primera fila).

Medida de disparidad

Una vez que el descriptor DCTH ha sido calculado para un con-junto de modelos 3D, las disimilitudes entre cada par de mode-los pueden ser calculadas usando diferentes métricas de dis-tancia. Las métricas más comunes incluyen la norma de Min-kowski, match distances, distancia de movimiento de la tierra(EMD), la distancia de Hellinger, que es cercana y relaciona-da con la distancia de Bhattacharyya. Dados dos histogramasDCTH, H1 y H2 y una métrica d, asumimos que los valoresde las distancias son normalizados. d(H1, H2) ∈ [0, 1] donde 0indica una similitud perfecta y 1 una disimilitud máxima.



Resultados Experimentales

Para las pruebas se utilizaron dos bases de datos: Princeton con907 modelos y Toyohashi con 1814 modelos. Los gráficos se-parados de los componentes del descriptor DCTH muestran co-mo DCTH cambia de acuerdo con un modelo dado. La Figura 1muestra los histogramas DC y T en 1D, como también los his-togramas DCTH en 2D para tres modelos. El histograma DCes similar para la pantera y la pieza de ajedrez, ya que ambaspiezas tienen pocas concavidades y un grosor local medio. Elhistograma DC del árbol es bien diferente, ya que estas formastienen diferente topología. En este ejemplo el histograma DCno es suficiente para diferenciar las tres formas. Por el contra-rio, el histograma T (grosor) es más discriminativo, revelandoel hecho que el grosor local de estos objetos es diferente. Elhistograma DCTH del árbol se muestra diferente del histogra-ma DCTH de las otras dos formas, lo cual muestra su poderdiscriminativo al ser combinados.

Referencias

[1] Osada, Robert and Funkhouser, Thomas and Chazelle, Ber-nard and Dobkin, David. Shape distributions. ACM Trans.Graph, 26(4):807–832,2002.

[2] Kazhdan, Michael and Funkhouser, Thomas and Rusin-kiewicz, Szymon. Rotation invariant spherical harmonicrepresentation of 3D shape descriptors. Proceedings ofthe 2003 Eurographics/ACM SIGGRAPH symposium onGeometry processing, 156–164,2003.

[3] Kazhdan, Michael and Funkhouser, Thomas and Rusin-kiewicz, Szymon. Symmetry Descriptors and 3D ShapeMatching. Proceedings of the 2004 Eurographics/ACMSIGGRAPH Symposium on Geometry Processing, 115–123, 2004.

[4] Cheng Chen and Yueting Zhuang and Jun Xiao. Sil-houette representation and matching for 3D pose dis-crimination– A comparative study. Image and VisionComputing,28(4):654 - 667, 2010.

[5] Kazmi, I.K. and Lihua You and Jian Jun Zhang. A Sur-vey of 2D and 3D Shape Descriptors. Computer Graphics,Imaging and Visualization (CGIV), 2013 10th InternationalConference, 1-10,2013.

[6] Tangelder, Johan W. and Veltkamp, Remco C. A surveyof content based 3D shape retrieval methods. MultimediaTools Appl., 39(3):441–471, 2008.

[7] Mingqiang, Yang and Idiyo, Kpalma K. and Joseph, Ron-sin. A Survey of Shape Feature Extraction Techniques.Pattern Recognition, Peng-Yeng Yin (Ed.),43-90, 2008.

Diálogos de Conciencia

El 21 de setiembre a las 17:00 horas se realizó en el Audi-torio de la Universidad La Salle el conversatorio denomi-nado Diálogos de Conciencia “Una contra uno o una conuno”, organizado por la Dirección de Proyección Social yDifusión Cultural.

Estuvieron como panelistas Viviana Gübelin Meza (Abo-gada y Magíster en Derecho del Medio Ambiente por laUniversidad de Nottingham, Inglaterra), Rosamarina Var-gas Romero (Antropóloga y Magíster en estudios socio-espaciales por la Universidad de Antioquia, Colombia) yAngel Chávez Contreras (Profesor y Máster en Asesora-miento Educativo Familiar por el Centro Universitario Vi-llanueva, adjunto a la Universidad Complutense de Madrid,España).En calidad de moderador estuvo Raúl Jáuregui Mercado

(Maestro en Investigación Integrativa por la UniversidadMultiversidad Mundo Real Edgar Morín, México).

Figura 1: Panelistas del evento Diálogos de Conciencia


Universidad La Salle - Arequipa DEEP LEARNING Vol. 4 No 1, Oclucianotubre 2016 15 / 26

Deep Learning y sus aplicaciones

Mery M. Paco Ramos es ingeniera informática de la Universidad Nacional JorgeBasadre Grohmann. Actualmente es estudiante de maestría en la Universidad

Nacional de San Agustín. Es miembro de del grupo de investigación IPRODAM dela Universidad La Salle de Arequipa, pertenece al círculo de investigación en

computación de alto desempeño con énfasis en el desarrollo de métodos y técnicasde minería de datos de gran escala para el apoyo en investigaciones de cambio

climático

Mery M. Paco R.

Introducción

En los últimos años, grandes empresastecnológicas como Google, Apple, Face-book, IBM, Amazon y Microsoft estánapostando por el desarrollo y mejora dealgoritmos en el ámbito de la InteligenciaArtificial: deep learning [16], en secto-res como internet, finanzas, transporte,robótica, diagnóstico médico, telecomu-nicaciones o en predicción climatológica.

Deep learning, ha sido, sin lugar adudas, el área de investigación con ma-yor expansión desde su redescubiertoel 2006 [8]. En realidad, no se trata deuna nueva área de investigación debido aque utiliza varios conceptos que se desa-rrollaron hace más de tres décadas loscuales fueron dejados de lado porque latecnología, en esa época, no era capaz deprocesar grandes cantidades de datos.

Sin embargo, la aparición del bigdata y el incremento de los recursoscomputacionales, han permitido realizaravances notables que implican el reco-nocimiento de voz [3], procesamientodel lenguaje natural [1], detección deobjetos [5, 15], reconocimiento facial,traducción automática [18], deteccióndel fraude, predicción de enfermedades,delitos informáticos y, recientemente, enel estudio del cambio climático [9, 12].

El presente artículo tiene como fina-lidad dar un alcance inicial sobre el en-foque de deep learning y las aplicacionesemergentes en los últimos años.

Deep Learning

Deep learning es una técnica de Ma-chine Learning basada en redes neuro-nales [2], que consiste en utilizar múlti-ples capas, de procesamiento no lineal,para modelar abstracciones de alto ni-vel(fotos, vídeos, textos, audio, etc.).

Las múltiples capas realizan una ex-tracción de características emulando elcomportamiento de la corteza visual, esdecir, extraen características del más ba-jo nivel al más alto nivel (ver figura 2).Esto representa una de las principalesventajas frente a los algoritmos tradicio-nales de Machine Learning que realizanuna extracción manual de características(feature engineering).

Figura 1: Esquema conaprendizaje layer-wise para la

extracción de características y suposterior clasificación. [14]

Existen muchas arquitecturas de deeplearning, que dependiendo del uso o dela aplicación se pueden categorizar entres clases [2]:

Arquitecturas generativas: propor-cionan información acerca de ladependencia mutua entre las varia-bles y, en general, utilizan algorit-mos de aprendizaje no supervisa-do. Por ejemplo: autocodificadoresy los modelos basados en energía.

Arquitecturas discriminativas: rea-lizan una clasificación de patro-nes con el uso del aprendizaje su-pervisado. Por ejemplo: redes neu-ronales convolucionales (Convolu-tional Neural Network), percep-trón multicapa profundo.

Arquitecturas híbridas: utilizanambos esquemas.



Figura 2: Ejemplo de unaarquitectura deep learning [14]

Algoritmos de aprendizaje

El proceso de aprendizaje se puededividir en dos grandes grupos de acuerdoa sus características:

Aprendizaje supervisadoSe caracteriza porque su entrenamientoes controlado por un agente externo. Esteagente externo “guía” el entrenamientodel modelo mediante una comparaciónentre las salidas deseadas (targets) yLa salidas proporcionadas por el mode-lo [13].

Aprendizaje no supervisadoEl aprendizaje se realiza presentando di-rectamente los datos al modelo, es decir,ahora no existe un agente supervisandoel entrenamiento [13]. En este caso, sedeberá ajustar sus parámetros en base ala correlación existente entre los datos deentrada [6].

En las arquitecturas del deep lear-ning, algunas redes poseen o utilizanambos tipos de entrenamientos, ya seacomenzando con un pre-entrenamientosupervisado y finalizando con uno no su-pervisado o viceversa [17].

Aplicaciones

Deep learning está realizando avancesrelevantes en el ámbito de la Inteligen-cia Artificial, resultando eficiente en eldescubrimiento de estructuras complejasen datos de alta dimensionalidad [11].Por ejemplo, Deep learning batió récorden el reconocimiento de imágenes [10] yvoz [7], además ha producido resultadosprometedores para la comprensión dellenguaje natural [1], como: el análisis desentimientos, clasificación de tópicos yla traducción de idiomas.

Figura3: Detección de objetos enimágenes [5, 15]

Figura 4: Arquitectura CNN parala clasificación del clima [4]

Climatología

Actualmente la amplia disponibi-lidad de grandes volúmenes de datosclimatológicos han motivado, a muchosinvestigadores, a buscar patrones ocultos,en esta enorme cantidad de información;con el fin de comprender los fenómenosclimáticos y meteorológicos.

Por otro lado, en el pasado, se handesarrollado varios métodos estadísticospara analizar señales temporales con elfin de analizar y predecir patrones.

En tal sentido, la gran cantidad deinformación y el comportamiento tempo-ral de los datos del clima, hace que estastécnicas no logren resultados promete-dores. Sin embargo y dado que en estosúltimos años, se han desarrollado nuevoscomputadores con mayor capacidad deprocesamiento, ahora es factible desa-rrollar métodos basados en InteligenciaArtificial para la predicción y análisis degrandes volúmenes de datos, como lo esel Deep Learning.

Es por esta razón que la Universi-dad Nacional de San Agustín en conjun-to de la Universidad La Salle de Arequi-pa, la Pontificia Universidad Católica deLima y el Instituto de Investigación de

la Amazonía han conformado un círcu-lo de Investigación denominado “Círculode investigación en computación de altodesempeño con énfasis en el desarrollode métodos y técnicas de minería de da-tos de gran escala para el apoyo en inves-tigaciones de cambio climático” en cali-dad de investigador asociado; cuyo obje-tivo es el desarrollo y aplicación de técni-cas de Deep Learning y computación pa-ralela para en análisis de patrones clima-tológicos en el sur del Perú.

Figura 5: Clasificación de ciclonestropicales mediante unaarquitectura CNN [12]

Conclusión

El deep learning es una imita-ción simplificada del funcionamien-to del cerebro humano. Reciente-mente deep learning centró su aten-ción en el tratamiento de datos noetiquetados y secuenciales, debidoa que muchas de sus aplicacionesy técnicas se han enfocado en algo-ritmos de aprendizaje supervisado ydatos estáticos

Referencias

[1] Ronan Collobert, Jason Weston,Léon Bottou, Michael Karlen, Ko-ray Kavukcuoglu, and Pavel Kuk-sa. Natural language processing(almost) from scratch. Journalof Machine Learning Research,12(Aug):2493–2537, 2011.

[2] Li Deng. An overview of deep-structured learning for informationprocessing. In Proceedings ofAsian-Pacific Signal & InformationProcessing Annual Summit andConference (APSIPA-ASC), 2011.



[3] Li Deng, Jinyu Li, Jui-Ting Huang,Kaisheng Yao, Dong Yu, Frank Sei-de, Michael Seltzer, Geoff Zweig,Xiaodong He, Jason Williams, et al.Recent advances in deep lear-ning for speech research at micro-soft. In 2013 IEEE InternationalConference on Acoustics, Speechand Signal Processing, pages 8604–8608. IEEE, 2013.

[4] M. Elhoseiny, S. Huang, and A. El-gammal. Weather classificationwith deep convolutional neural net-works. pages 3349–3353, Sept2015.

[5] Dumitru Erhan, Christian Szegedy,Alexander Toshev, and DragomirAnguelov. Scalable object de-tection using deep neural net-works. In Proceedings of theIEEE Conference on ComputerVision and Pattern Recognition, pa-ges 2147–2154, 2014.

[6] Bryan García Navarro. Implemen-tación de técnicas de deep learning.2015.

[7] Geoffrey Hinton, Li Deng, DongYu, George E Dahl, Abdel-rahmanMohamed, Navdeep Jaitly, AndrewSenior, Vincent Vanhoucke, Patrick

Nguyen, Tara N Sainath, et al. Deepneural networks for acoustic mode-ling in speech recognition: The sha-red views of four research groups.IEEE Signal Processing Magazine,29(6):82–97, 2012.

[8] Geoffrey E Hinton, Simon Osinde-ro, and Yee-Whye Teh. A fast lear-ning algorithm for deep belief nets.Neural computation, 18(7):1527–1554, 2006.

[9] Gilberto Iglesias, David C Kale,and Yan Liu. An examination ofdeep learning for extreme clima-te pattern analysis. In The 5thInternational Workshop on ClimateInformatics, 2015.

[10] Alex Krizhevsky, Ilya Sutskever,and Geoffrey E Hinton. Imagenetclassification with deep convolutio-nal neural networks. In Advancesin neural information processingsystems, pages 1097–1105, 2012.

[11] Yann LeCun, Yoshua Bengio, andGeoffrey Hinton. Deep learning.Nature, 521(7553):436–444, 2015.

[12] Yunjie Liu, Evan Racah, JoaquinCorrea, Amir Khosrowshahi, DavidLavers, Kenneth Kunkel, Michael

Wehner, William Collins, et al. Ap-plication of deep convolutional neu-ral networks for detecting extremeweather in climate datasets. arXivpreprint arXiv:1605.01156, 2016.

[13] Glen Jhan Pierre Restrepo Arteagaet al. Aplicación del aprendizajeprofundo (deep learning) al proce-samiento de señales digitales. 2015.

[14] Hannes Schulz and Sven Behn-ke. Deep learning. KI-KünstlicheIntelligenz, 26(4):357–363, 2012.

[15] Christian Szegedy, Alexander Tos-hev, and Dumitru Erhan. Deep neu-ral networks for object detection.In Advances in Neural InformationProcessing Systems, pages 2553–2561, 2013.

[16] Jordi Torres. First contact with ten-sorflow. get started with deep lear-ning programming. 2016.

[17] Dong Yu, Li Deng, and D Yu. Deeplearning methods and applications.Foundations and Trends in SignalProcessing, 2014.

[18] Jiajun Zhang, Chengqing Zong,et al. Deep neural networks inmachine translation: An overview.IEEE Intelligent Systems, 15, 2015.

La ULASALLE celebró su quinto aniversario

El 12 de agosto a las 12:30 horas en el campus de la Uni-versidad La Salle se llevó a cabo la ceremonia de aniver-sario con motivo de celebrar nuestro quinto año de vidainstitucional.

La ceremonia empezó con unas palabras de saludo delHno. Jorge Rivera Muñoz Falconí (Representante de losHermanos de las Escuelas Cristianas de La Salle). Actoseguido se presentó la banda sinfónica del Colegio SanJuan Bautista de La Salle quienes nos deleitaron con unrepertorio de música arequipeña.

Para terminar, el Dr. Iván Montes Iturrizaga (Presidentede la ULASALLE) hizo una pequeña reseña sobre los ini-cios de la Universidad e hizo una reflexión acerca de losdesafíos institucionales de cara a nuestro licenciamientoante el SUNEDU.

El Hno. Jorge Rivera Muñoz Falconí (Representante delos Hermanos de las Escuelas Cristianas de La Salle)

saluda y da la bienvenida a la concurrencia


Universidad La Salle - Arequipa LA MATEMÁTICA EN LA COMPUTACIÓN Vol. 4 No 1, Oclucianotubre 2016 18 / 26

Ciencia de la Computación en Río de Janeiro

Jan Hurtado es estudiante de maestría en la Pontificia Universidad Católica de Ríode Janeiro. Posee el grado de bachiller en ciencia de la computación otorgado por laUniversidad Nacional de San Agustín. Hizo una pasantía en la Universidad de Tel

Aviv. Es investigador en el instituto Tecgraf y en el grupo de investigaciónIPRODAM

Jan Hurtado

Sin duda, la computación ha cambiado el mundo; y es quela trascendencia de esta, está ligada a su omnipresencia. Soninnumerables sus áreas de aplicación, que van desde construirun sistema muy complejo para simular algún proyecto espacial,hasta crear un videojuego viral como Pokémon Go.

“Nada es más práctico que una buena teoría” (VladimirVapnik). Hace no mucho escuché esta frase en una presenta-ción, y qué razón tenía Vapnik en decirla. La realidad de lacomputación no está lejos de esta percepción, ningún modelocomputacional funcionaría si no tiene una base teórica muyfuerte por detrás. La computación no es “mágica”, es toda unaciencia que usa conceptos de diferentes áreas fundamentales,como la matemática, por ejemplo.

Mi área específica dentro de computación está relacionadaa la parte gráfica, principalmente al análisis y visualización entres dimensiones. Últimamente este tópico ha tomado especialinterés por la industria y la sociedad, debido a que provee in-formación muy valiosa de la realidad. Me involucré en estetema luego de ingresar al grupo de investigación IPRODAM,dirigido por el profesor Cristian López. Posteriormente, hiceuna pasantía en la Universidad de Tel Aviv a cargo del profesorAlex Bronstein, en la cual reafirmé mi interés por este tópico.

En la Pontificia Universidad Católica de Río de Janeiro,universidad en la cual me encuentro cursando una maestría,existe un instituto llamado Tecgraf. En este instituto se haceinvestigación y desarrollo de proyectos de gran envergadura

para empresas muy importantes a nivel mundial. Además, tienecomo uno de sus principales aliados a la Petrobras, que es unade las multinacionales más importantes en el mundo (puesto28 en “Fortune Global 500”). Actualmente, soy parte de uno delos proyectos del Tecgraf, que presentaré a continuación.

Bebés 3D

Se ha hecho muy común que los padres registren el creci-miento de sus hijos a partir de fotos y videos, incluso desdeel momento del parto. Este tipo de información es de muchovalor para las familias, ya que es como tener un histórico vi-sual de toda una vida. Pero, ¿por qué no registrar esta vidadesde incluso antes del parto? Los exámenes de ultrasonidoproveen imágenes que permiten visualizar la forma del bebédesde un determinado punto de vista. Usando una secuencia deestas imágenes es posible obtener la forma del bebé en tres di-mensiones, y por consiguiente, generar múltiples vistas. Existesoftware que permite llevar a cabo este tipo de visualización yasí mostrar cómo es el bebé. Este tipo de información es valiosapara un médico, ya que así pueden examinar al bebé con mayordetalle.

En épocas antiguas, una de las principales formas de plas-mar la realidad o lo místico, era a partir de la pintura, quees análoga a una imagen (foto). Otra forma de hacerlo, eramediante esculturas (objetos reales en tres dimensiones), quegeneralmente eran creadas por un artista y demandaban muchotiempo. ¿Era posible crear esculturas de un bebé, estando den-tro del vientre materno? Tal vez en ese tiempo no, pero ahoraya lo es. La impresión 3D permite obtener objetos reales a par-tir de objetos virtuales, y las imágenes de ultrasonido proveenla información de la forma del bebé. Imagínense tener la escul-tura de un bebé en sus distintas etapas de desarrollo. Ademásde servir como un recuerdo, es útil para la evaluación de unmédico. Algunas empresas ya se encuentran en este rubro, perogeneralmente con la participación de diseñadores en el procesode creación de la escultura.

El principal objetivo de este proyecto está enfocado en laobtención automática del objeto listo para la impresión 3D, conla mínima intervención de un diseñador (si es posible, nula).Existen distintos retos relacionados a la obtención óptima de laforma del bebé, ya que las imágenes de ultrasonido presentanruido y falta de información. Además, es necesario identificar



al bebé dentro de todos los datos que provee el examen de ul-trasonido.

Quiero finalizar este artículo agradeciendo a todos mis pro-fesores de la Universidad Nacional de San Agustín (donde hicemi pregrado en ciencia de la computación), a mi grupo de in-

vestigación IPRODAM y al profesor Alex Bronstein. Fuerongrandes motivadores para que me introduzca en este fascinante“mundo 3D”. Además quiero animarlos a que ustedes tambiénlo hagan, ya que es el presente y tal vez por algún tiempo elfuturo. Start thinking in 3D!

Figura 1: Reconstrucción 3D a partir de examen de ultrasonido

Importancia de la matemática en la computación

Luciano y Lizet son estudiantes de Maestría en la Universidad Fluminense deBrasil, forman parte del grupo de Investigación IPRODAM de la Universidad La

Salle y actualmente, trabajan en análisis de cuerpos no rígidos

Luciano Romero Calla - LizethFuentes Pérez

En la actualidad las carreras decomputación están teniendo mucha re-percusión en nuestro país. Sin embargo,aun existen personas del medio que pien-san que la programación y la aplicación

de la matemática es poco importante enrelación a las actividades de gestión.

En realidad, estudiar computaciónimplica programar. Lo cual requieredesarrollar las habilidades para transmitiral computador las tareas que queremosque éste desarrolle. Por supuesto, esto selogra mediante un lenguaje de progra-mación que tanto el computador comonosotros comprendamos; un lenguajeclaro y no ambiguo. Esta es una de lasrazones, por las cuales, en una carrerade ciencias de la computación se debeaprender diferentes lenguajes de progra-mación como: C, C++, Python, Haskell,entre otros. Sin embargo, esta no es laúnica habilidad que se debe desarrollaren la etapa de pre-grado.

Es importante, también, aprender a

razonar algorítmicamente y, en tal senti-do, se requiere conocer y entender dife-rentes tópicos como matemática discre-ta, cálculo, álgebra lineal, estadística yprobabilidades, por mencionar algunostópicos. La matemática constituye unabase muy importante para desarrollar ca-pacidades de abstración, y además es,por cierto, un lenguaje formal que permi-te expresar el razonamiento humano demanera no ambigua.

Por otro lado, los profesionales enciencia de la computación intentan re-solver problemas mediante el binomioHumano-Computador, pero es el hu-mano el que entiende el problema, lacomplejidad algorítmica de la solucióny la matemática detrás de cada una delas operaciones. En cambio, el compu-tador, recibe las instrucciones pensadas



y desarrolladas por el humano, medianteun lenguaje de programación y, de estemodo, ejecuta lo que nosotros los huma-nos le indiquemos.

Muchos problemas complejos requie-ren soluciones donde la parte matemáticaes indispensable, y como programadoreso estudiantes de ciencias de la compu-tación no podemos huir de ella.

Por ejemplo, muchos de los cursoscomo cálculo parecen no tener una apli-cación directa y, cuando llevamos el cur-so, nos preguntamos ¿para qué sirve laderivada? o ¿qué puedo hacer con las in-tegrales? Este tipo de cuestionamientos,surge generalmente, debido a que memo-rizamos las fórmulas sin haber entendidolos conceptos que le dieron origen. Sa-bemos que si y = x2 entonces y′ = 2xo si y = sinx entonces y′ = cosx; pe-ro ¿cómo puedo calcular la derivada deuna imagen? o, lo que es más importante,¿qué significa la derivada en una imagen?

Si comprendemos el qué y cómo decada uno de los conceptos, entonces, elaprender derivadas comienza a tomarsentido. Por ejemplo, una imagen que serepresenta como una matriz en el compu-tador, se puede ver como una funciónf : N2 → [0 : 255], y si la imagen esuna función entonces ¿cómo se calculasu derivada y qué representa? Este tipode preguntas son fundamentanles paraentender las aplicaciones de estos y mu-chos otros conceptos en computación.

Figura 1: Zonas de curvatura

Uno de los primeros cursos de mate-mática, en pregrado, es cálculo y, quizás,sea uno de los cursos donde ver una apli-cación directa sea difícil; pero es casiseguro que en todas las áreas de cienciasde la computación nos topemos, de una uotra forma, con derivadas e integrales ymuchos otros conceptos matemáticos.

En definitiva, todas las áreas de CSrequieren entender varios conceptos ma-temáticos que les dieron origen, ya seaInteligencia Artificial, Seguridad, Video-juegos, Robótica, Computación Gráfica,Computación de Alto Desempeño, Inge-niería de Software, Computación Mole-cular y Biológica, todas y cada una deellas con conceptos matemáticos y al-goritmos particulares y compartidos conotras áreas y ciencias como la Física.

De todas las áreas mencionadas ante-riormente, Computación Gráfica es unade las que más matemática requiere, par-ticularmente unas de sus sub-áreas comoGeometría Computacional y Análisis deFormas tridimensionales. Éstas son lasáreas en las cuales investigamos, nosfuimos involucrando desde pre-grado enlos cursos de tesis y dentro del grupo deinvestigación IPRODAM, donde descu-brimos el porqué de muchos conceptosmatemáticos aplicados en el análisis deformas 3D, así como las herramientas ne-cesarias para manipular y resolver estosproblemas.

A medida que avanzamos en la inves-tigación, vamos comprendiendo cómo lamatemática se vuelve una herramientapara resolver y entender los problemasdentro de esta área, pero para resolver-los no sólo basta con usarla, hay quecomprender el porqué y el cómo funcio-nan todos estos conceptos matemáticosy cómo ellos pueden ser discretizadosy convertidos en algoritmos; conceptosque van desde topología, análisis fun-cional, álgebra lineal, optimización con-vexa, estadística, conjuntos, superficiesde Riemann, análisis funcional, escala-miento multidimensional, entre muchasotras; así como otras áreas de CS se vuel-ven también herramientas necesarias, lascuales debemos entender para resolverun problemas de manera eficiente, co-mo por ejemplo: análisis de algoritmos,estructuras de datos, lenguajes de progra-mación.

Un ejemplo de las cosas en las cualesinvestigamos se puede ver en la primerafigura, aquí se observa un modelo tridi-mensional donde las zonas en color rojorepresentan las zonas con mayor curva-tura y las zonas con color azul las zonasplanas del modelo; este mapa de curva-tura fue calculado usando Global PointSignature (GPS). En la segunda figurase resalta el campo de gradientes, donde

se observa que los vectores gradientesde la función curvatura sobre el mode-lo se dirigen hacia las zonas de color rojo.

Dada la complejidad de los proble-mas y considerando que muchos de ellosson problemas NP, es necesario enten-derlos y manipularlos algorítmica y ma-temáticamente para así lograr relajarlos yobtener soluciones polinomiales, de mo-do que sea factible encontrar solucionescon la menor complejidad posible.

Por esa razón para resolver un pro-blema se necesita de otras áreas, comopor ejemplo: La Programación Paralelay en GPU es indispensable, dadas lasgrandes cantidades de datos a manipu-lar, todos nuestros programas deberíansacarle el mayor provecho a los recur-sos del computador. La Inteligencia Arti-ficial es otra área necesaria para resolverproblemas, porque el objetivo final de lacomputación es que el computador reali-ce tareas solo, sea lo suficientemente in-teligente para diferenciar una silla de unamesa, reconocer a un humano que estésentado o parado, con o sin brazos.

Una de las áreas necesarias para re-solver problemas en mallas, es la deoptimización, donde dada un conjunto derestricciones y una función objetivo setrata de encontrar la solución que mini-mice la ecuación; es así que por ejemplo,uno de los problemas es el de encontrarla forma canónica de cuerpos no rígidosen el espacio euclídeo, es un problemacuya solución óptima puede no estar enR3 sino en un espacio de alta dimen-sionalidad y el espacio de búsqueda esaun mayor, un problema NP, pero es po-sible resolverlo si la condición de quelas distancias euclídeas deben coincidirexactamente con las distancias geodési-cas entre puntos, admitiendo un error, entiempo polinomial y llevarlo a un proble-ma resolvible con optimización convexa.

Otro ejemplo es el cálculo de distan-cias geodésicas; en nuestra investigaciónuna de las herramientas básicas es el al-goritmo de Fast Marching, para poderencontrar el mapa de distancias geodé-sicas en una malla tridimensional, es unalgoritmo de orden O(log n), del cualdependen otros algoritmos, como porejemplo para calcular el muestreo depuntos en una malla, es necesario usarrepetidas veces el cálculo de distanciasgeodésicas tantas muestras necesitemospara cubrir todo el modelo, lo cual para


Universidad La Salle - Arequipa ENTREVISTAS Vol. 4 No 1, Oclucianotubre 2016 21 / 26

mallas con más de 500 000 vértices esun proceso lento, entonces tuvimos quedesarrollar un algoritmo en paralelo deFast Marching con la finalidad de reducirla complejidad algoritmica a O(kn) don-de k es constante.

Para la representación de las mallasusamos una estructura de datos compactallamada Compact Half Edge, la cual bá-sicamente permite realizar operacionesen mallas de manera eficiente con com-plejidad O(1).

Figura 2: Zona de curvatura en latrompa del elefante

Manipular y resolver problemas conformas 3D desde la representación en elcomputador hasta el análisis de formasno rígidas, cálculo de distancias geodé-sicas, nos lleva a un mundo donde laprogramación y la matemática van de lamano, y nos llevan a otras áreas como laFísica donde es posible usar la ecuacióndel calor o la onda para calcular distan-cias, descriptores 3D, correspondencias,etc.

Debido al avance de nuevas tecno-logías como sensores y cámaras 3D, esde vital importancia tener la capacidadcomputacional para manipular estos da-tos, ya que cada vez estamos más inmer-sos en el mundo 3D, como por ejemplola realidad virtual y las impresoras 3D.En un futuro cercano, se incorporarán lascámaras 3D en la mayoría de dispositivoslo cual afectará directamente nuestro mo-do de vivir. Por ejemplo comprar ropa enuna tienda, una persona se pararía frente

una a pantalla, la cual posee una cámara3D que escanea su cuerpo en tiempo real,así ella puede observar cómo le quedala ropa sin necesidad de hacerlo física-mente, otro ejemplo a futuro es el demanipular interfaces al estilo de TonyStark, cuando manipula a JARVIS solocon movimientos de sus manos y no co-mo es lo usual mediante clicks.

Conclusión

En conclusión, podemos decir queel análisis de formas es un área re-ciente pero excitante, si tienes inte-rés en ella puedes contactar con no-sotros o con alguno de los integran-tes de IPRODAM.

IPRODAM3D RESEARCH GROUP

IPRODAM3D es un grupo de Investigación, el cual fuefundado el 4 de Marzo del 2013 por el Doctor Cristian Ló-pez Del Alamo. Actualmente está conformado por alum-nos de pregrado y postgrado de la Universidad La Salle deArequipa y la Universidad Nacional San Agustín.

El objetivo principal del grupo es la investigación en elanálisis de modelos tridimensionales, geometría compu-tacional, búsqueda por similitud de modelos tridimensio-nales, detección de simetría, reconstrucción de modelosfracturados y sus aplicaciones.

Por otro lado, IPRODAM3D, abre sus puertas a estudian-tes de últimos años de pregrado y a estudiantes de postgra-do que sean apasionados por las matemáticas, la progra-mación, la algorítmica y con muchas ganas de aprender ydesarrollar nuevas tecnologías con el objetivo de contribuir

al desarrollo económico y social de nuestro país. Para con-tactarse con el grupo de investigación visite nuestra páginaweb IPRODAM3D o escriba a [email protected].

Algunos miembros del grupo de InvestigaciónIPRODAM.



Renata Wassermann

Doctora en Ciencia de la Computación por la Universidad de Ámsterdam (1999).Es magíster en Matemática Aplicada por la a Universidad de São Paulo (1995), esbachiller en Ciencia de la Computación por la Universidad de São Paulo (1991).Actualmente, es profesora del Departamento de Ciencia de la Computación del

Instituto de Matemática y Estadística de la Universidad de São Paulo. Miembro delgrupo de investigación LIAMF (Logic, Artificial Intelligence and Formal Methods)

Intereses académicos: Lógica y Representación del Conocimento

Dr. Renata Wassermann

¿Nos podría hablar sobre sus proyectos actuales y futuros?

Actualmente mi trabajo sigue dos líneas de investigación:formalización en lógica y aplicaciones de representación delconocimiento. Desde mi doctorado trabajé en el área de revi-sión de creencias y, recientemente, en lógica de descripcióndonde tengo un alumno que está trabajando en conceptos derelevancia en esta área. En la parte de aplicaciones, trabajo enontologías, donde me encuentro trabajando junto a una alumnaen el desarrollo de una ontología para consultar imágenes enuna red social de arquitectos, llamada Arquigrafía2.

Como projecto futuro, se pretende involucrar a otros profe-sores del LIAMF y, además, colaborar con la facultad de de-recho de la Universidad de São Paulo. Mi trabajo, en este pro-yecto, será modelar el conocimiento sobre leyes y vocabulariosde dominio de expertos jurídicos, hacer inferencias y extraerinformación, con el objetivo de disponibilizar esa informaciónen aplicaciones de software libre y, de este modo, ayudar en latranspariencia y flujo de procesos.

¿Cuáles cree usted que sean los desafíos intelectuales en suárea de actuación?

Creo que el desafío más importante, como en cualquier áreade investigación, es el de manterse bien informado y actualiza-do. Para eso, es necesario un esfuerzo intelectual, de modo quese pueda filtrar las características más relevantes que están pre-sentes en la gran cantidad información que actualmente existey, de ese modo, aplicar ese aprendizaje a mi trabajo.

A pesar de trabajar en proyectos de aplicaciones, siemprebusco una parte formal y/o matemática, mi objetivo es que de-trás de las aplicación siempre tenga un fundamento teórico.

¿Cuál sería el perfil de los estudiantes en su investigación?

Debido a que mi trabajo está relacionado a la investigaciónteórica y aplicada, intento identificar ese tipo de perfil en misalumnos, es decir, busco alumnos con capacidades en investi-gación teórica o aplicada, aunque, lo ideal es que tengan ambosperfiles y, por otro lado, los más difíciles de encontrar, queestén interesados en lógica y que sean buenos programadores.

Necesariamente deben tener una visión computacional parapoder identificar aquello que se puede informatizar y aquelloque no.

¿Cómo usted explicaría a los alumnos, de otrasuniversidades latinas, la importancia de realizar

publicaciones de gran impacto?

Esto es muy importante. En general, las universidades lati-nas no tenemos la visibilidad que otras universidades tienen.

Cuando estudiaba en Holanda, observaba visitas constantesde investigadores relevantes en mi área y, por esa razón, eramás fácil discutir e intercambiar ideas sobre los trabajos deinvestigación que estábamos desarrollando.

Por otro lado, mantener nuestro trabajo escondido no leda la debida importancia que el resultado podría merecer. Es

2[1] http://www.arquigrafia.org.br/



conveniente hacer visibles las investigaciones que se realizan,teniendo en cuenta que deben ser publicaciones de alta cali-dad y, en tal sentido, deben ser publicadas en lugares de altoimpacto, lo cual les da una alta visibilidad entre grupos de in-vestigadores a nivel mundial.

Por ejemplo, en el área de inteligencia artificial tenemosKR 3, AAAI 4, etc. Si queremos que nuestros trabajos de inves-tigación sean relevantes y útiles para otros grupos de investiga-ción debemos buscarse, siempre, la divulgación en revistas dealto impacto.

¿Usted considera importante la unión de la empresaprivada y la universidad?

Ese tema ha generado mucha discusión a favor y en con-tra. Creo que sí es importante, sobre todo entre las empresasprivadas y el área de ciencia de la computación de las universi-dades. Sin embargo, tenemos que destacar que la investigaciónno puede ser totalmente dependiente de los intereses de la in-versión privada.

Los trabajos científicos, no pueden, únicamente, seguir losintereses financieros de las empresas sin tener como objeti-vo principal, realizar un avance científico. Sin embargo, exis-ten varios trabajos importantes que se realizan en colaboracióncon empresas privadas. Normalmente, funciona bien cuando unproyecto es desarrollado en la universidad y una empresa des-cubre que podría ser útil para ella.

Fabio Kon

Fabio Kon, profesor titular de ciencia de la computación del Instituto deMatemática y Estadística de la Universidad de São Paulo. Coordinador adjunto deinvestigación para inovación de la FAPESP y Editor-jefe de SpringerOpen Journalof Internet Services and Applications, actúa en áreas de emprendedurismo digital,

software libre, sistemas distribuidos y ciudades inteligentes. Autor de variosartículos internacionales de alto impacto. Recibió recientemente el premio ACMMiddleware 10-Year Best Paper Award. Fabio es consejero voluntario de varias

startups de software, inclusive en el área de Ciudades Inteligentes

Fabio Kon

¿Nos podría hablar sobre susproyectos actuales y futuros?

Siempre busqué resolver problemasque lidian con cuestiones del mundo real,

de forma tal, que mi trabajo pudiese ge-nerar tecnología. En el pasado, trabajécon sistemas operativos, middleware ysistemas distribuidos. Actualmente, estoybuscando aplicar esos conocimientos pa-ra contribuir en la solución de problemasde grandes ciudades del siglo 21; es elárea que ahora se llama Ciudades Inteli-gentes.

¿Cuáles cree que sean los desafíosintelectuales en su área de actuación?

El gran desafío es construir herra-mientas y bases computacionales parafacilitar el desarrollo de aplicaciones enciudades inteligentes, para eso inevita-blemente se tendrá que tratar con pro-blemas de gran escala y en tiempo real.Demandando avances en el área de soft-ware para gestión y procesamiento deBig Data y el uso de recursos de compu-tación en la nube e internet de las cosas.

¿Cuál sería el perfil de los estudiantesen su investigación?

Siempre busco alumnos con una bue-na formación en ciencias de la compu-tación pero que también tengan buenashabilidades en el desarrollo de software.Un punto fundamental para el éxito delalumno es su proactividad. Un estudian-te que siempre está esperando las órdenesdel orientador sin tomar iniciativa no va allegar muy lejos.

¿Cómo usted explicaría a los alumnosde otras universidades latinas la

importancia de aplicar apublicaciones de gran impacto?

Creo que no tiene sentido realizar in-vestigación si no va a tener impacto. Elimpacto puede ser por medio de desarro-llo de un software que va ha ser usado por

3http://kr2016.cs.uct.ac.za/4http://www.aaai.org/Conferences/AAAI/aaai16.php



otros, por medio del conocimiento gene-rado y diseminado para una gran cantidadde personas; por el desenvolvimiento deun producto comercial o de una Startup,o por medio de una publicación científicaen un journal o congreso internacional dealto impacto.

¿Usted considera importante la uniónde empresa privada y universidad?

Una buena relación entre empresasy universidade es absolutamente esencialpara garantizar que lo que hacemos en launiversidad no es inútil. Muchos acadé-

micos tienen una tendencia natural a in-vestigar lo que ellos creen técnicamenteinteresante y no lo que puede ayudar a lahumanidad. Por medio de la relación conlas empresas, somos forzados a pensar enresultados que puedan realmente ser usa-do en la práctica a medio o largo plazo.

Flávio Soares Corrêa da Silva

Doctor en inteligencia artificial por la Universidad de Edinburgh (1992). Magísteren Ingeniería de Transportes por la Escuela Politécnica de la Universidad de SãoPaulo(1989) y gradución en Ingeniería de Producción por la Universidade de SãoPaulo (1984). Actualmente es professor de la Universidade de São Paulo, Revisor

del Journal of Information Technology Research y miembro del cuerpo editorial deApplied Intelligence (Boston). Fundador y líder del grupo de investigación LIDET

[1](Laboratory of Interactivity and Digital Entertainment)

Flávio Soares Corrêa daSilva

¿Nos podría hablar sobresus proyectos actuales y

futuros?

En este momento el fo-co de mi trabajo ha sido elestudio de interacciones. In-teraciones son fenómenosbastante amplios. Especial-mente, estoy interesado ensistemas complejos que con-tienen componentes compu-tacionales y humanos, y sondenominados “computadoressociales”.

Por otro lado, actualmen-te, estoy desarrollando, en co-laboración con colegas del ex-terior y con mis estudiantesde doctorado, modelos con-ceptuales y formas de inter-eacciones. En el futuro, pre-tendo evaluar como esos mo-delos se comportan en dife-rentes dominios de aplicación.

¿Cuáles cree que sean losdesafíos intelectuales en su

área de investigación?

Esta área es multidiscipli-nar y requiere metodologíasde investigación que combi-nan metodologías encontradasen diferentes áreas como:teoría de la computación,sistemas complejos y estocás-ticos, investigación empíricaen fenómenos biológicos ysociales.

La combinación de esasmetodologías es un grandesafío en sí mismo y, unavez vencido ese desafío, seránecesario aplicar los precep-tos metodológicos resultantespara la obtención de resulta-dos válidos, lo que exigirá la

formulación y aplicación deprotocolos de investigaciónno triviales.

¿Cuál sería el perfil de losestudiantes en su

investigación?

Como mencioné anterior-mente, esos trabajos son mul-tidisciplinares. Considero im-portante contar con un grupogrande de estudiantes con bas-tante diversidad, pues es ne-cesario desarrollar resultadosformales, teóricos y matemá-ticos, e implementar platafor-mas de software no trivialespara utilizarlas en experimen-tos biológicos y sociales.

¿Cómo usted explicaría alos alumnos de otras

universidades latinas laimportancia de realizarpublicaciones de gran

impacto?

La publicación de artícu-los cientifícos continúa siendonuestro vehículo más eficaz dedivulgación de resultados. Re-cientemente, otros caminos,

también, han sido consoli-dados, como la publicaciónde software en repositoriosopen source, la publicaciónde datos experimentales y deprotocolos para experimenta-ción y reproducción de expe-rimentos. Todos esos caminosdeben ser explorados por losinvestigadores y estudiantes,especialmente de doctorado ymaestría. Se debe cultivar lapráctica de buscar vehículosy mecanismos de publicaciónque lleven los resultados cien-tíficos a una gran cantidad delectores y usuarios, bien comoa lectores y usuarios que sa-brán utilizar ese material paracontinuar generando conoci-miento innovador y científico.

Siendo así, es fundamentalpublicar artículos, software,datos y protocolos experi-mentales, de modo tal, quesea factible influenciar posi-tivamente las comunidadescientíficas y de innovación.

Un camino tradicional, pe-ro no es el único, para esoson los medios de publicaciónaltamente reconocidos, como



periódicos con alto impactoen repositorios con altos índi-ces de uso. Felizmente, paralos investigadores distantes degrandes centros de investiga-ción, actualmente esa distan-cia no es más una barrera paraconseguir alcanzar canales de

publicación de alto impacto.

¿Usted consideraimportante la unión de la

empresa privada yuniversidad?

La integración entre em-presas interesadas en innova-

ción y la universidad puedeser benéfica para todos y debeser incentivada. Esa integra-ción, entre tanto, debe serconstruida de forma cuida-dosa para evitar distorcionesque puedan desvirtuar las ac-tividades, tanto en los centrosprivados de innovación como

en las universidades.

Es preciso crear mecanis-mos ágiles de formulación decontratos de cooperación queimpidan el mal uso de los re-cursos disponibles tanto en lasempresas como en las univer-sidades.

Espacio dedicado a estudiantes

La Inteligencia Artificial en la vida real

Santiago Ernesto Lovón García, alumno de quintosemestre de la Universidad La Salle de Arequipa

A través de los años, los científicos de la computación, en con-junto con varios profesionales de diversas áreas, han intentadocrear computadoras con capacidades similares al cerebro hu-mano. El objetivo final es que los ordenadores hablen, lean,vean, entiendan y solucionen problemas, de manera similar aun ser humano. Por otro lado, en estos últimos años, se estándesarrollando algoritmos basados en Inteligencia artificial, yespecíficamente Deep Learning, que están acortando la brechaentre lo que se esperaba tener y lo que ahora se tiene, algo que

está cambiando nuestra vida y sin duda de toda la humanidad.

Una de las primeras cosas que el Deep Learning ha cambia-do es el sistema de reconocimiento de voz de nuestros smartp-hones y computadoras. En los últimos dos años, nos damoscuenta de cuánto ha mejorado esto y como se ha incrementa-do su uso. También, tenemos los servicios de traducción, porejemplo Google Translate ya puede traducir oraciones habla-das a 32 diferentes lenguajes [2]. Y, por supuesto, en las redessociales; donde ahora es posible que la computadora te sugiereetiquetar, mediante reconocimiento de rostros, qué personasestán en cada foto.

También, el Deep Learning se está utilizando en muchasotras industrias. Por ejemplo, Investigadores de la universidadde Michigan se encuentran trabajando en la detección de cán-cer (Melanoma), haciendo uso de redes Neuronales. Existe unequipo de investigadores Franceses que se se dio cuenta de lodifícil que es que detectar las células cancerígenas durante lacirugía. Es por eso que están usando redes neuronales junto conla espectroscopia Raman durante las operaciones, lo cual per-mite identificar las células cancerígenas de manera más rápiday reduciendo el cáncer residual post operación [1].

Por otro lado, investigadores en España y portugal han apli-cado redes neuronales artificiales para predecir las fluctuacio-nes del uso y precio de la energía. El Deep Learning tambiénes utilizado en la ingeniería civil y mecánica, estudios en Indo-nesia han utilizando redes neuronales para predecir la respuestaestructural de los edificios en caso de terremotos. [1].

Referencias[1] HEMSOTH, N. The next wave of deep learning applica-

tions, sep 2016.

[2] PARLOFF, R. Why deep learning is suddenly changingyour life, jan 2016.



La Salle en el MundoSuramérica

1. Centre lasallien d´Ètudes Supérieures en Éducation CLÉ Port de Paix, Haití

2. Centro Universitário La Salle – UNILASALLE Canoas –RS-, Brasil

3. Corporación Universitaria Lasallista Caldas, Antioquia, Colombia

4. Escuela Normal Superior San Pio X Choco, Colombia

5. Fundación La Salle de Ciencias Naturales Caracas, Venezuela

6. Instituto Catecheticum Santiago, Chile

7. Instituto La Crujía Buenos Aires, Argentina

8. Instituto La Salle - Florida Florida, Buenos Aires, Argentina

9. Instituto La Salle – Rosario Santa Fe, Argentina

10. Instituto Lasallano de Estudios Superiores (ILES) de Buenos Aires Buenos Aires, Argentina

11. Instituto Superior Pedagógico La Salle Urubamba, Cuzco, Perú

12. Instituto Superior Pedagógico “Fray Florencio Pascual Alegre” Requeña, Perú

13. Instituto Técnico Central Bogotá, Colombia

14. Institutos Superiores La Salle (UNILASALLE-RJ) Niteroi - Río de Janeiro, Brasil

15. IPA - Instituto Pastoral de la Adolescencia Buenos Aires, Argentina

16. UCB – Universidad Católica de Brasilia Tanguatinga, Brasil

17. União Brasiliense de Educação e Cultura UBEC Brasilia, Brasil

18. Unilasalle Manaus - AM Manaus - AM, Brasil

19. Universidad De La Salle - Bogota Bogota, Colombia

20. Universidad La Salle – Bolivia La Paz, Bolivia

21. Universidad La Salle – Arequipa, Perú

Centroamérica1. Centro de Estudios Superiores La Salle Monterrey, Leon, México

2. Escuela Superior de Educación Integral Rural , Guatemala

3. ICCRE Instituto Centroamericano de Ciencias Religiosas Guatemala, Guatemala

4. Normal Superior Benavente Puebla, México

5. Universidad De La Salle Bajío A.C Guanajuato, México

6. Universidad De La Salle Chihuahua A.C. Chihuahua, México

7. Universidad De La Salle – San Jose San Jose, Costa Rica

8. Universidad La Salle Oaxaca Oaxaca, México

9. Universidad La Salle – Cancún Quintana Roo, Cancún, México

10. Universidad La Salle – Cd. Victoria Tamaulipas, Cd. Victoria, México

11. Universidad La Salle – Cuernavaca, A.C. Morelos, Cuernavaca, México

12. Universidad La Salle – Laguna Durango, Laguna, México

13. Universidad La Salle – México (ULSA) Distrito Federal - Cd. de México, México

14. Universidad La Salle – Morelia Michoacán, Morelia., México

15. Universidad La Salle – Nezahualcoyotl Distrito Federal - Cd. de México, México

16. Universidad La Salle – Noroeste Sonora Cd. Obregón, México

17. Universidad La Salle – Pachuca Pachuca, Hidalgo, México

18. Universidad La Salle – Saltillo Coahuila, Saltillo, México

19. Universidad Marista La Salle – Guadalajara Guadalajara, Jalisco, México

20. Universidad Tecnológica La Salle, León León, Nicaragua

Norteamérica1. Bethlehem University, Bethlehem, Palestina

2. Christ the Theacher Institute of Education, Nairobi, Kenya

3. Christian Brothers University Memphis, Estados Unidos

4. College of Santa Fe Santa fe, Estados Unidos

5. La Salle University Philadelphia, Estados Unidos

6. Lewis University Romeoville, IL, Estados Unidos

7. Manhattan Collage New York, Estados Unidos

8. Saint Mary’s College of California California, Estados Unidos

9. Saint Mary’s University of Minnesota Minnesota, Estados Unidos

Asia y Pacífico1. De La Salle - College of Saint Benilde Manila, Filipinas

2. De La Salle Catholic University Manado, Indonesia

3. De La Salle Health Sciences Institute Cavite, Filipinas

4. De La Salle Lipa Lipa City, Filipinas

5. De La Salle University Manila, Filipinas

6. De La Salle – Canlubang Biñan, Filipinas

7. De La Salle – Dasmariñas Cavite, Filipinas

8. De La Salle- Araneta University Malabon City, Filipinas

9. De La Salle-Professional Schools, Inc Manila, Filipinas

10. Immaculate Conception College-La Salle Ozamis City, Filipinas

11. La Salle College Antipolo Antipolo City, Filipinas

12. La Salle High Secondary School Multan, Pakistán

13. University of St. La Salle Bacolod City, Filipinas

Europa

1. Centre Lasallien African -CELAF-, adibjan - Riviera, África

2. Ecole Catholique D´Arts et Métiers (ECAM) Lyon, Francia

3. Enginyeria i Arquitectura La Salle Barcelona, España

4. Fratelli Delle Scuole Cristiane - LA SALLE ROMA Roma, Italia

5. Insititute Polytechnique LaSalle Beauvais Beauvais, Francia

6. Institut Reine Astrid De Mons (IRAM) Mons, Bélgica

7. Institut Supérieur D’Architecture St.Luc de Bruxelles Bruxelles, Bélgica

8. Instituto San Pio X Madrid, España

9. ISAIP - ESAIP Angers, Francia

10. La Salle Campus Madrid Madrid, España

África1. Centre Lasallien African – CELAF Abidjan - Riviera, África

2. Bethlehem University Bethlehem, Palestina

3. Christ the Teacher Institute for Education Nairobi, Kenia


Av. Alfonso Ugarte N° 517, Cercado. Arequipa - Perú

Telf.: (51 54) 607554 / [email protected]

revista de ciencia de la computaciÓn - … · se enfrenta a situaciones tanto esperadas como...

Documents