1. Introducción
1.1. Motivación
1.2. Objetivos
1.3. Contribuciones
1.4. Publicaciones
1.5. Organización de la tesis
2. Marco teórico
2.1. Aprendizaje Automático
2.2. Redes Neuronales
2.3. Redes Convolucionales
2.4. Modelos de Redes Convolucionales
2.5. Conjuntos de datos para clasificación de imágenes
2.6. Invarianza y Equivarianza
2.7. Modelos de Redes Convolucionales con Invarianza y Equivarianza
2.8. Métricas de Invarianza y Equivarianza
2.9. Clasificación de formas de mano para el reconocimiento de Lengua de Señas
3. Modelos Invariantes vs Aumentación de Datos
3.1. Metodología
3.2. Desempeño con aumentación de datos
3.3. Comparación con STN y GCNN
3.4. Evaluación de aumentación de datos para invarianza con distintas transformaciones
3.5. Re-entrenamiento de modelos para obtener invarianza
3.6. Conclusiones
4. Métricas de Equivarianza
4.1. Definiciones generales
4.2. Matriz Muestra-Transformación de Activaciones (MT)
4.3. Métrica de invarianza basada en ANOVA
4.4. Métricas de Invarianza basadas en la Varianza
4.5. Métricas basadas en distancias
4.6. Métrica Auto-Equivarianza
4.7. Métricas Estratificadas
4.8. Conclusiones
5. Evaluación de Métricas de Equivarianza
5.1. Metodología
5.2. Métricas
5.3. Validación de las métricas
5.4. Análisis de las Métricas
5.5. Análisis de Modelos de CNN
5.6. Conclusiones
6. Redes Convolucionales para la Clasificación de Formas de Manos
6.1. Comparación de tasa de aciertos de distintas arquitecturas convolucionales
6.2. Comparación de estrategias de preprocesamiento
6.3. Evaluación de aumentación de datos para invarianza
6.4. Conclusiones
7. Conclusiones y trabajos futuros
7.1. Logros
7.2. Trabajos Futuros
A. Pseudocódigo del cómputo de las métricas
B. Diseño e implementación de la librería de Medidas Transformacionales
C. Varianza de funciones de activación