2026-05-28T14:49:12Zhttps://riuma.uma.es/rest/oai/request

oai:riuma.uma.es:10630/228122026-02-03T12:13:28Zcom_10630_2254col_10630_37959

00925njm 22002777a 4500 dc Vázquez-Martín, Ricardo author Mandow, Anthony author Morales-Rodríguez, Jesús author García-Cerezo, Alfonso José author Galán Cuenca, Álvaro author 2021-09 El uso de imágenes de los espectros visible (RGB) e infrarrojo térmico (TIR) para la detección de objetos puede resultar crucial en aplicaciones donde las condiciones de visibilidad están limitadas, como la robótica para búsqueda y rescate en catástrofes. Para ello resulta beneficioso analizar cómo las técnicas de aprendizaje profundo basadas en redes neuronales convolucionales (CNN) pueden aplicarse a ambas modalidades. En este artículo se analizan diferentes configuraciones y parámetros para el entrenamiento de CNN tanto para imágenes térmicas como para imágenes equivalentes del espectro visible. En concreto, se aborda el problema del sobre-entrenamiento para determinar una configuración eficaz de técnicas de aumento de datos y parada temprana. El caso de estudio se ha realizado con la red de código abierto YOLOv3, pre-entrenada con el dataset RGB COCO y optimizada (o re-entrenada) con el conjunto público de datos UMA-SAR dataset, que incluye pares de imágenes RGB y TIR obtenidas en ejercicios realistas de rescate. Álvaro Galán-Cuenca, Ricardo Vázquez-Martín, Anthony Mandow, Jesús Morales, Alfonso García-Cerezo (2021) "Análisis de técnicas de aumento de datos y entrenamiento en YOLOv3 para detección de objetos en imágenes RGB y TIR del UMA-SAR Dataset" Actas de las XLII Jornadas de Automática, pp. 686-694, Castellón, España. https://doi.org/10.17979/spudc.9788497498043.686 https://hdl.handle.net/10630/22812 Visión por ordenador Análisis de técnicas de aumento de datos y entrenamiento en YOLOv3 para detección de objetos en imágenes RGB y TIR del UMA-SAR Dataset