Clasificación Robusta de Objetos para la Navegación Autónoma de Barcos mediante Redes Neuronales de Impulsos y Meta-Aprendizaje
[ES] La detección y clasificación robustas de objetos en el mar es un paso importante hacia la navegación autónoma segura y la prevención de colisiones para embarcaciones marinas. Los objetos de interés (OOI) incluyen grandes embarcaciones comerciales, pequeñas embarcaciones de recreo, kayaks, otros...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2021 |
| País: | España |
| Institución: | Universitat Politècnica de València (UPV) |
| Repositorio: | RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia |
| Idioma: | inglés |
| OAI Identifier: | oai:riunet.upv.es:10251/170021 |
| Acceso en línea: | https://riunet.upv.es/handle/10251/170021 |
| Access Level: | acceso abierto |
| Palabra clave: | Redes neuronales Redes neuronales por impulsos Meta-aprendizaje Navegación Neural networks (NN) Spiking neural networks (SNN) Meta-learning Navigation INGENIERIA DE SISTEMAS Y AUTOMATICA Máster Universitario en Ingeniería Industrial-Màster Universitari en Enginyeria Industrial |
| Sumario: | [ES] La detección y clasificación robustas de objetos en el mar es un paso importante hacia la navegación autónoma segura y la prevención de colisiones para embarcaciones marinas. Los objetos de interés (OOI) incluyen grandes embarcaciones comerciales, pequeñas embarcaciones de recreo, kayaks, otros objetos sin una firma de radar clara, así como objetos estacionarios como boyas, tierra, pilares de puentes y similares. La clasificación de objetos mediante sensores electroópticos puede abordar este problema y se ha demostrado que es una alternativa potencial a la vigilancia humana. Este proyecto surge de la iniciativa ShippingLab e investiga enfoques alternativos y vanguardistas para la implementación de RetinaNet, detector de objetos de aprendizaje profundo, mediante computación neuromórfica y metaaprendizaje. Esto se hace con el objetivo de reducir la huella energética y los datos consumidos por el algoritmo. Aunque estas tecnologías se encuentran en las primeras etapas de desarrollo, el proyecto logra alcanzar resultados comparables a otras investigaciones contemporáneas. Se aplicó el método de aprendizaje 'few-shot' TFA, lo que llevó a una reducción del 90% en el tiempo de entrenamiento y del 95% en el consumo de datos, al tiempo que se logró un 63,3% del rendimiento objetivo en RetinaNet. Paralelamente, se desarrolló un algoritmo para convertir el modelo RetinaNet en una red neuronal por impulsos después de trabajos previos en el campo (Rueckauer et al., Kim et al.). Este modelo mantuvo las características del original, mostrando una pérdida de rendimiento de solo el 1,6% para una ventana de tiempo simulada de 1000 ms. |
|---|