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...

ver descrição completa

Detalhes bibliográficos
Autor: Hernández Martínez, Antonio|||0000-0001-5722-1531
Formato: tesis de maestría
Fecha de publicación:2019
País:España
Recursos:Universidad de Alcalá (UAH)
Repositorio:e_Buah Biblioteca Digital Universidad de Alcalá
Idioma:español
OAI Identifier:oai:ebuah.uah.es:10017/39953
Acesso em linha:http://hdl.handle.net/10017/39953
Access Level:acceso abierto
Palavra-chave:Redes neuronales convolucionales
Visión artificial
Detección de puntos clave
CNN (Convolutional Neural Network)
Computer vision
Deep Learning
Ingeniería industrial
Industrial engineering
id ES_a40426a52d3703ebea10a2850d42e7a2
oai_identifier_str oai:ebuah.uah.es:10017/39953
network_acronym_str ES
network_name_str España
repository_id_str
spelling Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNsHernández Martínez, Antonio|||0000-0001-5722-1531Redes neuronales convolucionalesVisión artificialDetección de puntos claveCNN (Convolutional Neural Network)Computer visionDeep LearningIngeniería industrialIndustrial engineeringDurante 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.During recent years the deep learning algorithms have experienced an unprecedented evolution as a result of the development of CPUs and GPUs with higher Computational capacity. These algorithms, used in CNNs, have propitiated the appearance of neural networks architectures such as AlexNet in 2012 or ResNet in 2015, which are able to resolve artificial vision issues on a quick and efficient manner. This project aims to investigate these architectures and their implementation on an artificial vision system able to detect and show the representative points of the three-dimensional structure of the different vehicles.Máster Universitario en Ingeniería Industrial (M141)Parra Alonso, IgnacioUniversidad de Alcalá20192019-01-01master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10017/39953reponame:e_Buah Biblioteca Digital Universidad de Alcaláinstname:Universidad de Alcalá (UAH)Españolspaopen accesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessoai:ebuah.uah.es:10017/399532026-06-18T11:13:07Z
dc.title.none.fl_str_mv Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
title Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
spellingShingle Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
Hernández Martínez, Antonio|||0000-0001-5722-1531
Redes neuronales convolucionales
Visión artificial
Detección de puntos clave
CNN (Convolutional Neural Network)
Computer vision
Deep Learning
Ingeniería industrial
Industrial engineering
title_short Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
title_full Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
title_fullStr Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
title_full_unstemmed Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
title_sort Estudio e implementación de un sistema de detección de puntos significativos en objetos estructurados con CNNs
dc.creator.none.fl_str_mv Hernández Martínez, Antonio|||0000-0001-5722-1531
author Hernández Martínez, Antonio|||0000-0001-5722-1531
author_facet Hernández Martínez, Antonio|||0000-0001-5722-1531
author_role author
dc.contributor.none.fl_str_mv Parra Alonso, Ignacio
Universidad de Alcalá
dc.subject.none.fl_str_mv Redes neuronales convolucionales
Visión artificial
Detección de puntos clave
CNN (Convolutional Neural Network)
Computer vision
Deep Learning
Ingeniería industrial
Industrial engineering
topic Redes neuronales convolucionales
Visión artificial
Detección de puntos clave
CNN (Convolutional Neural Network)
Computer vision
Deep Learning
Ingeniería industrial
Industrial engineering
description 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.
publishDate 2019
dc.date.none.fl_str_mv 2019
2019-01-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
NA
http://purl.org/coar/version/c_be7fb7dd8ff6fe43
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10017/39953
url http://hdl.handle.net/10017/39953
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.openaire.fl_str_mv info:eu-repo/semantics/openAccess
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
Attribution-NonCommercial-NoDerivatives 4.0 International
http://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:e_Buah Biblioteca Digital Universidad de Alcalá
instname:Universidad de Alcalá (UAH)
instname_str Universidad de Alcalá (UAH)
reponame_str e_Buah Biblioteca Digital Universidad de Alcalá
collection e_Buah Biblioteca Digital Universidad de Alcalá
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869415445159739392
score 15,300719

Registos relacionados