2  Objetivos

2.1 Objetivo General

Comparar el desempeño de los Modelos Ocultos de Markov (HMM) con esquema de remuestreo bootstrap y las Redes Neuronales Convolucionales (CNN) en la clasificación de imágenes monocromáticas de glifos del alfabeto náhuatl.

2.2 Objetivos Específicos

1. Preprocesar y caracterizar el conjunto de datos de imágenes monocromáticas de glifos del alfabeto náhuatl, aplicando técnicas de normalización, aumentación geométrica y generación de ruido controlado, para establecer una base de evaluación estandarizada y robusta que permita la comparación equitativa de ambos modelos.

2. Implementar y ajustar un modelo de clasificación basado en Modelos Ocultos de Markov (HMM) categóricos, integrado con un esquema de remuestreo bootstrap. El propósito es modelar la secuencia de características estructurales extraídas de los glifos y cuantificar la incertidumbre estadística en su identificación.

3. Diseñar y entrenar una arquitectura de Red Neuronal Convolucional (CNN) optimizada para imágenes de baja resolución, formulando adecuadamente la función de pérdida y el proceso de optimización (ej. Adam), para extraer características espaciales jerárquicas y maximizar la precisión en la clasificación de las distintas clases de glifos.

4. Evaluar y comparar el rendimiento de ambos enfoques (HMM y CNN) mediante métricas de desempeño (exactitud, precisión, exhaustividad y función de pérdida), tiempos de convergencia y requerimientos de recursos computacionales, para identificar las ventajas, limitaciones y el ámbito de aplicabilidad de cada método en el contexto del reconocimiento de patrones glíficos.