Segmentación semántica para imágenes fisheye basada en CNN

Este trabajo fin de máster (TFM) está centrado en el desarrollo de un sistema de percepción basado en cámaras de campo de visión ultra-amplio de tipo fisheye para un prototipo de vehículo autónomo eléctrico. El método escogido para afrontar la comprensión del entorno a partir del sistema es el uso d...

Descripción completa

Detalles Bibliográficos
Autor: Saez Contreras, Álvaro
Tipo de recurso: tesis de maestría
Fecha de publicación:2018
País:España
Institución:Universidad de Alcalá (UAH)
Repositorio:e_Buah Biblioteca Digital Universidad de Alcalá
Idioma:español
OAI Identifier:oai:ebuah.uah.es:10017/34563
Acceso en línea:http://hdl.handle.net/10017/34563
Access Level:acceso abierto
Palabra clave:Ojo de pez
Distorsión
Redes neuronales convolucionales
Vehículos autónomos
CNN (Convolutional Neural Network)
Deep Learning
Telecomunicaciones
Telecommunication
id ES_a67c0fbc8609d2b4d98bb2487fe01b0e
oai_identifier_str oai:ebuah.uah.es:10017/34563
network_acronym_str ES
network_name_str España
repository_id_str
spelling Segmentación semántica para imágenes fisheye basada en CNNSaez Contreras, ÁlvaroOjo de pezDistorsiónRedes neuronales convolucionalesVehículos autónomosCNN (Convolutional Neural Network)Deep LearningTelecomunicacionesTelecommunicationEste trabajo fin de máster (TFM) está centrado en el desarrollo de un sistema de percepción basado en cámaras de campo de visión ultra-amplio de tipo fisheye para un prototipo de vehículo autónomo eléctrico. El método escogido para afrontar la comprensión del entorno a partir del sistema es el uso de segmentación semántica mediante redes neuronales convolucionales (CNN) dado que permite cubrir la mayoría de necesidades de un vehículo autónomo de manera unificada. Para ello se desarrollan nuevas arquitecturas de red, mecanismos de data-augmentation y datasets sintéticos específicos para abordar el problema generado por la fuerte distorsión.This work aims to develope a new simplified perceptive system for a full autonomous electric vehicle prototype based on ultra-wide field of view cameras. Semantic segmentation is chosen as the way to face scene-understanding as it satisfies most of autonomous vehicle needs in an unified way. For this purpose, specific elements to deal with distortion are designed, such as network architectures, data-augmentation techniques or synthetic fisheye datasets.Máster Universitario en Ingeniería de Telecomunicación (M125)Bergasa Pascual, Luis MiguelUniversidad de Alcalá. Escuela Politécnica Superior20182018-01-01master thesishttp://purl.org/coar/resource_type/c_bdccNAhttp://purl.org/coar/version/c_be7fb7dd8ff6fe43info:eu-repo/semantics/masterThesisapplication/pdfhttp://hdl.handle.net/10017/34563reponame: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:10017/345632026-06-18T11:13:07Z
dc.title.none.fl_str_mv Segmentación semántica para imágenes fisheye basada en CNN
title Segmentación semántica para imágenes fisheye basada en CNN
spellingShingle Segmentación semántica para imágenes fisheye basada en CNN
Saez Contreras, Álvaro
Ojo de pez
Distorsión
Redes neuronales convolucionales
Vehículos autónomos
CNN (Convolutional Neural Network)
Deep Learning
Telecomunicaciones
Telecommunication
title_short Segmentación semántica para imágenes fisheye basada en CNN
title_full Segmentación semántica para imágenes fisheye basada en CNN
title_fullStr Segmentación semántica para imágenes fisheye basada en CNN
title_full_unstemmed Segmentación semántica para imágenes fisheye basada en CNN
title_sort Segmentación semántica para imágenes fisheye basada en CNN
dc.creator.none.fl_str_mv Saez Contreras, Álvaro
author Saez Contreras, Álvaro
author_facet Saez Contreras, Álvaro
author_role author
dc.contributor.none.fl_str_mv Bergasa Pascual, Luis Miguel
Universidad de Alcalá. Escuela Politécnica Superior
dc.subject.none.fl_str_mv Ojo de pez
Distorsión
Redes neuronales convolucionales
Vehículos autónomos
CNN (Convolutional Neural Network)
Deep Learning
Telecomunicaciones
Telecommunication
topic Ojo de pez
Distorsión
Redes neuronales convolucionales
Vehículos autónomos
CNN (Convolutional Neural Network)
Deep Learning
Telecomunicaciones
Telecommunication
description Este trabajo fin de máster (TFM) está centrado en el desarrollo de un sistema de percepción basado en cámaras de campo de visión ultra-amplio de tipo fisheye para un prototipo de vehículo autónomo eléctrico. El método escogido para afrontar la comprensión del entorno a partir del sistema es el uso de segmentación semántica mediante redes neuronales convolucionales (CNN) dado que permite cubrir la mayoría de necesidades de un vehículo autónomo de manera unificada. Para ello se desarrollan nuevas arquitecturas de red, mecanismos de data-augmentation y datasets sintéticos específicos para abordar el problema generado por la fuerte distorsión.
publishDate 2018
dc.date.none.fl_str_mv 2018
2018-01-01
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/10017/34563
url http://hdl.handle.net/10017/34563
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_ 1869415701815492608
score 15,300719

Similares en LA Referencia