Comparación de técnicas de detección de objetos en imágenes
El presente trabajo se sitúa en el campo del Aprendizaje Profundo (AP), donde los modelos de Redes Neuronales Artificiales han experimentado una notable evolución y se han convertido en elementos fundamentales para abordar desafíos de alta complejidad, tales como el reconocimiento de imágenes o el p...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2023 |
| País: | España |
| Institución: | Universidad Complutense de Madrid (UCM) |
| Repositorio: | Docta Complutense |
| Idioma: | español |
| OAI Identifier: | oai:docta.ucm.es:20.500.14352/88540 |
| Acceso en línea: | https://hdl.handle.net/20.500.14352/88540 |
| Access Level: | acceso abierto |
| Palabra clave: | 004(043.3) Inteligencia Artificial Aprendizaje Automático Aprendizaje Profundo Redes Neuronales Artificiales Redes Neuronales Convolucionales Detección de Objetos Matlab Artificial Intelligence Machine Learning Deep Learning Artificial Neural Networks Convolutional Neural Networks Object Detection Informática (Informática) 33 Ciencias Tecnológicas |
| Sumario: | El presente trabajo se sitúa en el campo del Aprendizaje Profundo (AP), donde los modelos de Redes Neuronales Artificiales han experimentado una notable evolución y se han convertido en elementos fundamentales para abordar desafíos de alta complejidad, tales como el reconocimiento de imágenes o el procesamiento del lenguaje natural. Este proyecto surge del interés en comprender en profundidad las técnicas de detección de objetos mediante AP. La detección de objetos es un método o técnica de visión artificial que permite reconocer y localizar objetos en imágenes o videos mediante Redes Neuronales Artificiales. Este trabajo se inicia con la selección y la posterior adaptación de un conjunto de datos que se utiliza para realizar el entrenamiento y la validación de los modelos. Para ello se ha realizado la implementación del detector de objetos de una etapa, You Only Look Once (YOLO), y de dos etapas, Regiones con CNN (R-CNN). Cada detector se ha entrenado y validado, utilizando como columnas vertebrales las arquitecturas de Redes Neuronales Artificiales AlexNet, MobileNetV2 y ResNet-50, con el fin de obtener el modelo con mejores resultados de cada detector de objetos. Finalmente, se trató de mejorar el modelo de mayor rendimiento de cada detector de objetos ajustando los hiperparámetros de estos. |
|---|