Mostrar el registro sencillo del ítem
Aplicación móvil para evitar fraudes en criptomonedas mediante la detección de logos
| dc.contributor.author | Sánchez -Alonso, David | |
| dc.date | 2022 | |
| dc.date.accessioned | 2023-01-24T09:23:27Z | |
| dc.date.available | 2023-01-24T09:23:27Z | |
| dc.identifier.uri | https://reunir.unir.net/handle/123456789/14053 | |
| dc.description | Detecting and classifying cryptocurrency logos can help to reduce some of the scams associated with Smart-Contracts. The wide variety of cryptocurrencies that exist can be used to investigate the creation of a model that detects and classifies the most important cryptocurrencies. This project presents the development of a mobile application that converges on a comparative analysis of some of the best Transfer Learning architectures (VGG16, VGG19, InceptionResnetV2 and InceptionV3) in the state of the art. Tests are done with different balanced datasets, varying the number of logos per class and with varieties of cryptocurrencies ranging from 90, to 250. After the experiments, the best results were obtained with the VGG16 architecture by classifying 90 different classes, obtaining an Accuracy of 77%. This indicates that there is still a lot of research to be done in the field of Transfer Learning, when the number of classes begins to be significant. | es_ES |
| dc.description.abstract | La detección y clasificación de logotipos de criptomonedas puede ayudar a reducir algunas de las estafas asociadas a la falsificación de Smart-Contracts. La gran variedad de criptomonedas que existen, puede ser usada para investigar la creación de un modelo, que detecte y clasifique las criptomonedas más importantes. Este proyecto presenta el desarrollo de una aplicación móvil que converge en un análisis comparativo de algunas de las mejores arquitecturas de Transfer Learning (VGG16, VGG19, InceptionResnetV2 e InceptionV3) del estado del arte. Se hacen pruebas con diferentes conjuntos de datos, variando el número de logotipos por clase y con variedades de criptomonedas que van desde las 90, hasta las 250. Se obtuvieron los mejores resultados con la arquitectura VGG16 al clasificar 90 clases, obteniendo un Accuracy del 77%. Lo que indica que aún queda mucho por investigar, en el ámbito del Transfer Learning, cuando el número de clases comienza a ser significativo. | es_ES |
| dc.language.iso | spa | es_ES |
| dc.rights | openAccess | es_ES |
| dc.subject | cryptocurrency | es_ES |
| dc.subject | logo-detection | es_ES |
| dc.subject | pump-and-dump | es_ES |
| dc.subject | shitcoin | es_ES |
| dc.subject | transfer-learning | es_ES |
| dc.subject | Máster Universitario en Inteligencia Artificial | es_ES |
| dc.title | Aplicación móvil para evitar fraudes en criptomonedas mediante la detección de logos | es_ES |
| dc.type | masterThesis | es_ES |
| reunir.tag | ~MIA | es_ES |
