Investigación · 1Quant LabsResearch · 1Quant Labs
SKTP-HOPE
SKTP-HOPE es una línea de investigación sobre inteligencia estructural aplicada a la interpretación de volúmenes tridimensionales. La propuesta estudia cómo conservar relaciones espaciales relevantes sin depender de convoluciones 3D densas de gran consumo de memoria.
Representación del espacio
Diseñé una arquitectura que reorganiza la información mediante una lógica de vecindad optimizada. El objetivo es desplegar la estructura de un órgano preservando conexiones críticas, incluidas relaciones entre regiones físicamente alejadas, para capturar contexto global del volumen.
Entrenamiento dinámico
El enfoque publicado utiliza AdamW y OneCycleLR. La descripción del proyecto explica las fluctuaciones iniciales de las curvas de aprendizaje como parte de una exploración dinámica de soluciones y propone evaluar la salud estructural final del modelo, además de la apariencia de la curva.
Evidencia y participación
La entrada de LinkedIn, de diciembre de 2025 a enero de 2026, acompaña la explicación con curvas de aprendizaje, distribución de pesos, reporte de clasificación y una gráfica de precisión. Mi contribución se centra en el diseño de la representación espacial y del esquema de entrenamiento.
SKTP-HOPE researches structural intelligence for interpreting three-dimensional volumes. It investigates how to preserve meaningful spatial relationships without relying on memory-intensive dense 3D convolutions.
Spatial representation
I designed an architecture that reorganizes information through optimized neighborhood logic. It aims to unfold an organ's structure while preserving critical connections, including relationships between physically distant regions, to capture global volume context.
Dynamic training
The published approach uses AdamW and OneCycleLR. Its description treats early learning-curve fluctuations as dynamic exploration of solutions and proposes assessing the model's final structural health alongside the shape of its learning curves.
Evidence and contribution
The December 2025–January 2026 LinkedIn entry includes learning curves, weight distributions, a classification report and an accuracy chart. My contribution focuses on spatial representation and the training scheme.
Explorar el proyecto: Explore the project: LinkedIn · proyectos