Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
Durante los últimos años los algoritmos de deep learning han experimentado una evolución sin precedentes como consecuencia del desarrollo de CPUs y GPUs con cada vez una mayor capacidad computacional. Estos algoritmos, utilizados en CNNs, han propiciado la aparición de arquitecturas de redes neurona...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universidad de Alcalá (UAH) |
| Repositorio: | e_Buah Biblioteca Digital Universidad de Alcalá |
| Idioma: | español |
| OAI Identifier: | oai:ebuah.uah.es:10017/39953 |
| Acceso en línea: | http://hdl.handle.net/10017/39953 |
| Access Level: | acceso abierto |
| Palabra clave: | Redes neuronales convolucionales Visión artificial Detección de puntos clave CNN (Convolutional Neural Network) Computer vision Deep Learning Ingeniería industrial Industrial engineering |
| Sumario: | Durante los últimos años los algoritmos de deep learning han experimentado una evolución sin precedentes como consecuencia del desarrollo de CPUs y GPUs con cada vez una mayor capacidad computacional. Estos algoritmos, utilizados en CNNs, han propiciado la aparición de arquitecturas de redes neuronales como son AlexNet en 2012 o ResNet en 2015, capaces de resolver problemas de visión artificial de manera rápida y eficiente. Este trabajo tiene por objetivo el estudio de estas arquitecturas y su implementación en un sistema de visión artificial capaz de detectar y mostrar los puntos representativos de la estructura tridimensional de distintos vehículos. |
|---|