Miguel Ángel Molina Cabello

Sobre mí / About me

Me interesa el procesamiento de imágenes/video, visión por computador, redes neuronales y videovigilancia.

Puedes conectar conmigo o ver más sobre mi investigación en los siguientes enlaces.

My technical interests are in image/video processing, computer vision, neural networks and visual surveillance.

You can connect with me or see more about my research in the following links.

Researchgate Linkedin Scholar Google Orcid dblp

Oferta de líneas de TFG

Aplicaciones prácticas de técnicas y algoritmos de procesamiento de imágenes y vídeo, tanto de índole biomédica como de otro aspecto.
Diseño y análisis de Redes Neuronales Artificiales para resolver problemas de agrupación de datos, clasificación, reconocimiento de patrones, localización, diagnóstico y predicción.
Desarrollo de sistemas de inteligencia computacional basados en redes neuronales profundas, para resolver problemas reales de procesamiento de imágenes (eliminación del ruido, aumento de la resolución) y visión por computador (detección y seguimiento de objetos).
Aplicaciones prácticas de la inteligencia artificial en alguno de los siguientes campos: medicina, análisis predictivo en marketing, procesamiento del lenguaje natural, detección de objetos en sistemas de video vigilancia, clasificación de documentos, vehículos con conducción autónoma...
Desarrollo de aplicaciones de inteligencia artificial con hardware de bajo coste (Raspberry Pi).
Aplicación de técnicas de Minería de Datos (pre-procesamiento de información, clasificación y predicción, clustering y visualización de resultados) a problemas del ámbito de la Biomedicina y Bioinformática.
Desarrollo de aplicaciones web y/o móviles aplicadas a metodologías de aprendizaje/docencia.
Desarrollo de sistemas de inteligencia artificial aplicados al ajedrez.
...

Trabajos Fin de Grado (TFGs) dirigidos / Supervised Bachelor’s theses

Detección de objetos en secuencias de vídeo de tráfico mediante redes neuronales convolucionales profundas y aumentación de datos en tiempo de test basada en transformaciones de color

TFG Ingeniería Telemática (2024)

Calificación: Sobresaliente

Redes Generativas Antagónicas aplicadas a la clasificación de señales de tráfico envenenadas mediante el método del parche adversario

TFG Ingeniería Informática (2024)

Calificación: Notable

Extensión de Google Chrome para recoger y analizar datos de las actividades de evaluación mediante talleres de Moodle

TFG Ingeniería Informática (2024)

Calificación: Notable

Digitalización de partidas de ajedrez desde tableros físicos

TFG Ingeniería Informática (2024)

Calificación: Notable

Detección de la disposición de piezas de ajedrez en el tablero mediante inteligencia artificial

TFG Ingeniería Informática (2024)

Calificación: Notable

Eliminación de ruido de imágenes borrosas por movimiento mediante el método de refinamiento iterativo

TFG Ingeniería del Software (2024)

Calificación: Matrícula de Honor

Impacto de distintas técnicas de aumentado de datos a las redes neuronales contemporáneas para la detección de cáncer de mama con imágenes histopatológicas

TFG Ingeniería del Software (2024)

Calificación: Matrícula de Honor

Detección y clasificación de piezas en un tablero real de ajedrez

TFG Ingeniería del Software (2024)

Calificación: Sobresaliente

Estudio sobre la idoneidad de aplicar algoritmos de mejora de la calidad de la imagen para su clasificación

TFG Ingeniería Informática (2024)

Calificación: Notable

Clasificación automatizada de ecocardiografías con redes neuronales convolucionales

TFG Ingeniería del Software (2024)

Calificación: Sobresaliente

Aplicación de redes neuronales convolucionales para la detección de estenosis en coronariografías

TFG Ingeniería Informática (2024)

Calificación: Sobresaliente

Impacto del ruido gaussiano y el brillo en redes neuronales de detección de objetos preentrenadas

TFG Ingeniería Informática (2024)

Calificación: Sobresaliente

Selección automática de algoritmos de mejora de la imagen para su clasificación mediante aprendizaje profundo

TFG Ingeniería Informática (2024)

Calificación: Sobresaliente

Uso de técnicas de visión por computador y aprendizaje profundo en dosimetría biológica para la detección de cromosomas dicéntricos en placas metafásicas

TFG Ingeniería de la Salud (2024)

Calificación: Sobresaliente

Inteligencia artificial para el estudio pronóstico de lesiones coronarias no obstructivas

TFG Grado de Medicina (2023)

Calificación: Matrícula de Honor

Aumento de la calidad de ecocardiografías mediante modelos neuronales de difusión probabilística

TFG Ingeniería Informática (2023)

Calificación: Sobresaliente

Reconocimiento de enfermedad coronaria en coronariografías mediante redes neuronales convolucionales

TFG Ingeniería del Software (2023)

Calificación: Sobresaliente

Clasificación de mamografías en categoría BIRADS mediante la utilización de aprendizaje profundo

TFG Ingeniería Informática (2023)

Calificación: Sobresaliente

Aplicación web para la gestión automática de publicaciones de grupos de investigación

TFG Ingeniería de Computadores (2023)

Calificación: Sobresaliente

Desarrollo de herramienta web para el análisis de estilos de aprendizaje mediante Moodle

TFG Ingeniería Informática (2023)

Calificación: Notable

Reconocimiento y seguimiento de objetos mediante redes neuronales para el entrenamiento individual en el baloncesto

TFG Ingeniería Informática (2023)

Calificación: Matrícula de Honor

Reducción del desenfoque por movimiento en imágenes usando aprendizaje profundo

TFG Ingeniería Informática (2023)

Calificación: Notable

Identificación de tableros de ajedrez digitales mediante inteligencia artificial aplicada a imágenes

TFG Ingeniería Informática (2023)

Calificación: Sobresaliente

Estudio del comportamiento de redes generativas de adversarios frente a ataques maliciosos

TFG Ingeniería Informática (2023)

Calificación: Sobresaliente

Clasificación de imágenes histopatológicas de cáncer de mama utilizando técnicas de aprendizaje profundo

TFG Ingeniería de la Salud (2022)

Calificación: Sobresaliente

Detección de vehículos en vídeos de tráfico mediante aprendizaje profundo

TFG Ingeniería Telemática (2022)

Calificación: Sobresaliente

Detección de vehículos en vídeos de tráfico mediante aprendizaje profundo

TFG Ingeniería Telemática (2022)

Calificación: Matrícula de Honor

Diseño y desarrollo de una aplicación web para alojar algoritmos de reconocimiento de enfermedades dermatológicas

TFG Ingeniería del Software (2022)

Calificación: Matrícula de Honor

Redes Neuronales Convolucionales para el reconocimiento de enfermedades de la piel

TFG Ingeniería del Software (2022)

Calificación: Sobresaliente

Mejora de la incertidumbre al usar datos fuera de la distribución (OOD) en un modelo semi-supervisado de aprendizaje profundo

TFG Ingeniería de Computadores (2022)

Calificación: Matrícula de Honor

Redes Neuronales Convolucionales para el reconocimiento de enfermedades de la piel

TFG Ingeniería del Software (2022)

Calificación: Sobresaliente

Videovigilancia de trayectorias anómalas de vehículos en vídeos de tráfico

TFG Ingeniería del Software (2021)

Calificación: Matrícula de Honor

Diagnóstico automático basado en imágenes de rayos X mediante redes neuronales convolucionales

TFG Ingeniería de la Salud (2021)

Calificación: Notable

Desarrollo de una aplicación de análisis estadístico para el apoyo de entrenadores de la NBA

TFG Ingeniería Informática (2020)

Calificación: Matrícula de Honor

Detección automática de peatones en la calzada para conducción autónoma mediante redes neuronales artificiales convolucionales de aprendizaje profundo

TFG Tecnologías de Telecomunicación (2020)

Calificación: Aprobado

Aplicación de recomendaciones de moda basada en redes de aprendizaje profundo

TFG Ingeniería Informática (2019)

Calificación: Matrícula de Honor

Herramienta para el etiquetado de objetos en secuencias de video

TFG Ingeniería de la Salud (2019)

Calificación: Sobresaliente

Detección automática de glóbulos rojos mediante la transformada de Hough

TFG Ingeniería de la Salud (2017)

Calificación: Matrícula de Honor

Modelado del fondo panorámico de cámaras PTZ mediante redes neuronales competitivas

TFG Ingeniería del Software (2017)

Calificación: Matrícula de Honor

Desarrollo de una aplicación web para la gestión de expedientes de un bufete de abogados

TFG Ingeniería de Computadores (2015)

Calificación: Sobresaliente

Trabajos Fin de Máster (TFMs) dirigidos / Supervised Master's theses

Tratamiento de la distribución de características de imágenes de mamografías por medio de arquitecturas GAN al usar múltiples conjuntos de datos

TFM Ingeniería Informática (2024)

Calificación: Sobresaliente

Reconocimiento de enfermedad cerebral mediante redes neuronales convolucionales

TFM Ingeniería del Software e Inteligencia Artificial (2024)

Calificación: Notable

Detección de fraude y manipulación de imágenes faciales mediante redes neuronales convolucionales de aprendizaje profundo

TFM Ingeniería Informática (2023)

Calificación: Aprobado

Aumentado de imágenes histopatológicas mediante Redes Adversarias Generativas

TFM Ingeniería Informática (2022)

Calificación: Notable

Detección de estenosis coronaria mediante coronariografías y aprendizaje profundo

TFM Master in Intelligent Avionics (2022)

Calificación: Sobresaliente

Estudio del uso de un codificador con una red GAN para mejorar las imágenes generadas con el generador

TFM Ingeniería del Software e Inteligencia Artificial (2021)

Calificación: Notable

Aprendizaje optimizado de máquinas de vectores soporte mediante tuneado activo de los hiperparámetros del núcleo

TFM Ingeniería del Software e Inteligencia Artificial (2020)

Calificación: Sobresaliente

Clasificación de imágenes como fotografías o pinturas mediante el empleo de redes neuronales convolucionales

TFM Ingeniería del Software e Inteligencia Artificial (2019)

Calificación: Matrícula de Honor

Clasificación de señal cerebral basado en aprendizaje profundo para teclados BCI

TFM Ingeniería del Software e Inteligencia Artificial (2019)

Calificación: Sobresaliente

Mejora de la resolución espacial de imágenes por resonancia magnética en 3 Dimensiones mediante desplazamientos aleatorios y redes neuronales de aprendizaje profundo

TFM Ingeniería del Software e Inteligencia Artificial (2019)

Calificación: Sobresaliente

Diagnóstico automático de cáncer de mama basado en imágenes mediante redes neuronales convolucionales

TFM Ingeniería Informática (2018)

Calificación: Sobresaliente

Tesis doctorales dirigidas / Supervised PhD theses

Estudio y análisis del impacto en el rendimiento de redes neuronales convolucionales de imágenes de baja calidad

Doctorado en Tecnologías Informáticas

Calificación: - En proceso -

Automatic Determination of Both Sensorimotor Primitives and Topology for Robots with Unknown or Dynamic Morphology

Doctorado en Informática (De Montfort University)

Calificación: - En proceso -

Investigación / Research

Smart motion detection sensor based on video processing using self-organizing maps

Expert Systems with Applications (2016)

Find out more

The effect of noise on foreground detection algorithms

Artificial Intelligence Review (2016)

Find out more

Premios / Awards

Tercer Premio del Doctoral Consortium

Conferencia de la Asociación Española para la Inteligencia Artificial (CAEPIA) (2016)

Premio a la innovación, calidad y buenas prácticas docentes

Universidad de Málaga (2019)

Tools for Learning Styles and Grade Analysis

Cuestionario CHAEA

Conocer los estilos de aprendizaje del alumnado representa una forma eficaz de diseñar la metodología más adecuada de manera que su rendimiento pueda mejorar con menos esfuerzo.

El cuestionario CHAEA es un test para identificar el estilo de aprendizaje preferido o dominante, es decir, aquel con el que una persona se siente más cómoda a la hora de adquirir nuevos conceptos. No es un test de inteligencia, ni de personalidad. No hay respuestas correctas o erróneas. En una misma persona pueden darse dos o más estilos predominantes. Se aconseja no dejar preguntas en blanco.

Aquella persona que ha cumplimentado el cuestionario CHAEA en un sistema moodle puede comprobar cuáles son sus estilos de aprendizaje mediante la siguiente extensión diseñada para el navegador Chrome, desarrollada por Miguel A. Molina-Cabello, Karl Thurnhofer-Hemsi, David Molina-Cabello and Esteban J. Palomo.