Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.

Determinar si existen diferencias significativas entre el desempeño de un algoritmo (basado en deep learning) de detección de señales viales, entrenado sobre un conjunto de datos enteramente locales en contraste con uno entrenado sobre datos no locales, es importante debido al tema de seguridad que...

Descripción completa

Detalles Bibliográficos
Autor: Juan Manuel Bobadilla Ramos
Tipo de recurso: tesis de maestría
Estado:Versión publicada
Fecha de publicación:2022
País:México
Institución:Universidad Autónoma de Ciudad Juárez
Repositorio:Repositorio Institucional de la Universidad Autónoma de Ciudad Juárez
Idioma:español
OAI Identifier:oai:uacj.mx:oai:erecursos.uacj.mx:20.500.11961ir-6481
Acceso en línea:http://hdl.handle.net/20.500.11961/6481
Access Level:acceso abierto
Palabra clave:Faster R-CNN
TensorFlow
Deep learning
Señal vial
Conducción autónoma
info:eu-repo/classification/cti/7
id MX_a2a4d19d9db3f7a9043f3bcdcbf70b88
oai_identifier_str oai:uacj.mx:oai:erecursos.uacj.mx:20.500.11961ir-6481
network_acronym_str MX
network_name_str México
repository_id_str
spelling Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.Juan Manuel Bobadilla RamosFaster R-CNNTensorFlowDeep learningSeñal vialConducción autónomainfo:eu-repo/classification/cti/7Determinar si existen diferencias significativas entre el desempeño de un algoritmo (basado en deep learning) de detección de señales viales, entrenado sobre un conjunto de datos enteramente locales en contraste con uno entrenado sobre datos no locales, es importante debido al tema de seguridad que implica, especialmente porque un tercio de los accidentes ocurren en las intersecciones de las vialidades. Para ello, se propone recopilar información de manera local y conformar un conjunto de datos de señales de alto y luces de semáforo, las ubicadas en intersecciones, para entrenar un algoritmo del tipo Faster RCNN (utilizando TensorFlow) con los datos recopilados localmente y los conjuntos de datos utilizados como benchmark en reconocimiento de luces de semáforo y señales de tráfico. Una vez concluidos los entrenamientos, se observan los resultados de sus funciones de pérdida, lo que permite contrastar el desempeño de cada conjunto de entrenamiento sobre el conjunto de validación. Estos resultados, a su vez, permiten observar que las diferencias entre las funciones de pérdida resultantes se encuentran en el mismo orden. Debido a la gran variedad de señales de tráfico ya que no todas quedaban dentro de las señales de interés para el desarrollo del proyecto, se excluyó la gran mayoría de estas, muchas de ellas señales sin equivalentes en los conjuntos utilizados como benchmark. Sin embargo, los resultados obtenidos, y debido a su relevancia en cuestiones de seguridad en conducción autónoma, tienen valor para la determinación de continuar o iniciar con la recopilación de datos de más fuentes.Universidad Autónoma de Ciudad JuárezÁngel Israel Soto Marrufo2022info:eu-repo/semantics/masterThesisTesis maestríainfo:eu-repo/semantics/publishedVersionhttp://hdl.handle.net/20.500.11961/6481reponame:Repositorio Institucional de la Universidad Autónoma de Ciudad Juárezinstname:Universidad Autónoma de Ciudad Juárezinstacron:UACJspainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc/4.0oai:uacj.mx:oai:erecursos.uacj.mx:20.500.11961ir-64812025-11-26T19:48:31Z
dc.title.none.fl_str_mv Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
title Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
spellingShingle Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
Juan Manuel Bobadilla Ramos
Faster R-CNN
TensorFlow
Deep learning
Señal vial
Conducción autónoma
info:eu-repo/classification/cti/7
title_short Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
title_full Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
title_fullStr Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
title_full_unstemmed Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
title_sort Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.
dc.creator.none.fl_str_mv Juan Manuel Bobadilla Ramos
author Juan Manuel Bobadilla Ramos
author_facet Juan Manuel Bobadilla Ramos
author_role author
dc.contributor.none.fl_str_mv Ángel Israel Soto Marrufo
dc.subject.none.fl_str_mv Faster R-CNN
TensorFlow
Deep learning
Señal vial
Conducción autónoma
info:eu-repo/classification/cti/7
topic Faster R-CNN
TensorFlow
Deep learning
Señal vial
Conducción autónoma
info:eu-repo/classification/cti/7
description Determinar si existen diferencias significativas entre el desempeño de un algoritmo (basado en deep learning) de detección de señales viales, entrenado sobre un conjunto de datos enteramente locales en contraste con uno entrenado sobre datos no locales, es importante debido al tema de seguridad que implica, especialmente porque un tercio de los accidentes ocurren en las intersecciones de las vialidades. Para ello, se propone recopilar información de manera local y conformar un conjunto de datos de señales de alto y luces de semáforo, las ubicadas en intersecciones, para entrenar un algoritmo del tipo Faster RCNN (utilizando TensorFlow) con los datos recopilados localmente y los conjuntos de datos utilizados como benchmark en reconocimiento de luces de semáforo y señales de tráfico. Una vez concluidos los entrenamientos, se observan los resultados de sus funciones de pérdida, lo que permite contrastar el desempeño de cada conjunto de entrenamiento sobre el conjunto de validación. Estos resultados, a su vez, permiten observar que las diferencias entre las funciones de pérdida resultantes se encuentran en el mismo orden. Debido a la gran variedad de señales de tráfico ya que no todas quedaban dentro de las señales de interés para el desarrollo del proyecto, se excluyó la gran mayoría de estas, muchas de ellas señales sin equivalentes en los conjuntos utilizados como benchmark. Sin embargo, los resultados obtenidos, y debido a su relevancia en cuestiones de seguridad en conducción autónoma, tienen valor para la determinación de continuar o iniciar con la recopilación de datos de más fuentes.
publishDate 2022
dc.date.none.fl_str_mv 2022
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
Tesis maestría
info:eu-repo/semantics/publishedVersion
format masterThesis
status_str publishedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.11961/6481
url http://hdl.handle.net/20.500.11961/6481
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc/4.0
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc/4.0
dc.publisher.none.fl_str_mv Universidad Autónoma de Ciudad Juárez
publisher.none.fl_str_mv Universidad Autónoma de Ciudad Juárez
dc.source.none.fl_str_mv reponame:Repositorio Institucional de la Universidad Autónoma de Ciudad Juárez
instname:Universidad Autónoma de Ciudad Juárez
instacron:UACJ
instname_str Universidad Autónoma de Ciudad Juárez
instacron_str UACJ
institution UACJ
reponame_str Repositorio Institucional de la Universidad Autónoma de Ciudad Juárez
collection Repositorio Institucional de la Universidad Autónoma de Ciudad Juárez
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1858176377541361664
score 15,812429

Similares en LA Referencia