El objetivo de esta tesis es desarrollar un modelo neuronal multi-escala para el reconocimiento de imágenes en color de escenas texturadas. El modelo, que combina información cromática y textural para segmentar y reconocer las imágenes de forma coherente, está constituido por dos módulos principales: el módulo de segmentación compuesto por el Sistema de Color Oponente (COS) y el Sistema de Segmentación Cromática (CSS); y el módulo de reconocimiento basado en una red neuronal ARTMAP con propiedades de invarianza en escala y en orientación. La segmentación se realiza mediante la extracción de contornos perceptuales y procesos de difusión sobre los canales oponentes cromáticos, basados en la teoría psicofísica humana de la percepción del color. El módulo CSS lleva a cabo los procesos de realzado de las regiones de color mediante un bucle multi-escala de filtros orientados y mecanismos de competición-cooperación. Estos realzados, junto con las características de textura constituyen el patrón de entrada al clasificador neuronal supervisado. Posteriormente, la etapa neuronal realiza un reconocimiento atentivo de la escena.

Profesora en el Dpto. Teoría de la Señal y Comunicaciones e Ingeniería Telemática de la Universidad de Valladolid (España) y miembro del grupo de investigación reconocido GTI, que dirige Francisco J. Díaz-Pernas. Entre sus intereses se incluyen los modelos bioinspirados, la visión artificial y la inteligencia artificial.