<?xml version="1.0" encoding="UTF-8"?><?xml-stylesheet type="text/xsl" href="static/style.xsl"?><OAI-PMH xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/ http://www.openarchives.org/OAI/2.0/OAI-PMH.xsd"><responseDate>2026-06-06T18:09:49Z</responseDate><request verb="GetRecord" identifier="oai:riuma.uma.es:10630/44946" metadataPrefix="marc">https://riuma.uma.es/rest/oai/request</request><GetRecord><record><header><identifier>oai:riuma.uma.es:10630/44946</identifier><datestamp>2026-01-28T00:47:10Z</datestamp><setSpec>com_10630_1685</setSpec><setSpec>col_10630_38055</setSpec></header><metadata><record xmlns="http://www.loc.gov/MARC21/slim" xmlns:dcterms="http://purl.org/dc/terms/" xmlns:doc="http://www.lyncode.com/xoai" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.loc.gov/MARC21/slim http://www.loc.gov/standards/marcxml/schema/MARC21slim.xsd">
   <leader>00925njm 22002777a 4500</leader>
   <datafield ind2=" " ind1=" " tag="042">
      <subfield code="a">dc</subfield>
   </datafield>
   <datafield ind2=" " ind1=" " tag="720">
      <subfield code="a">Navajas Ortega, Antonio</subfield>
      <subfield code="e">author</subfield>
   </datafield>
   <datafield ind2=" " ind1=" " tag="260">
      <subfield code="c">2025-06</subfield>
   </datafield>
   <datafield ind2=" " ind1=" " tag="520">
      <subfield code="a">La identificación de pequeños objetivos en imágenes infrarrojas es esencial en
ámbitos como la vigilancia, la industria aeroespacial y la medicina. Estas imágenes
capturan la radiación térmica emitida por los objetos, lo que las hace valiosas en
condiciones de baja visibilidad o en entornos con fondos complejos. Sin embargo,
la detección de estos objetivos es complicada debido al bajo contraste, la elevada
interferencia y el tamaño reducido de los elementos de interés respecto al total
de la imagen.
Este proyecto analiza el rendimiento de modelos de aprendizaje profundo diseñados
para detectar pequeños objetivos en imágenes infrarrojas. Se utilizaron
redes neuronales convolucionales (CNN) por su capacidad para aprender patrones
espaciales y contextuales complejos. Se evaluaron distintas arquitecturas y
se ajustaron para lograr un equilibrio entre precisión y eficiencia computacional.
Además, se realizó un análisis detallado de las métricas de rendimiento y la
robustez de los modelos evaluados.
También se exploraron técnicas de preprocesamiento para mejorar los resultados,
como la división del conjunto de datos según el tipo de imagen y la segmentación
en mosaicos. Estas estrategias permiten adaptar el procesamiento a
las particularidades de cada grupo y mejorar la detección en regiones pequeñas,
incrementando así la precisión general.
Este trabajo busca ofrecer soluciones prácticas y escalables mediante tecnología
avanzada, abordando los desafíos de la detección de pequeños objetivos en
imágenes infrarrojas. La combinación de modelos optimizados, preprocesamiento
adaptado y evaluación rigurosa permite avanzar en aplicaciones donde la precisión
en condiciones adversas es crítica.</subfield>
   </datafield>
   <datafield ind1="8" ind2=" " tag="024">
      <subfield code="a">https://hdl.handle.net/10630/44946</subfield>
   </datafield>
   <datafield tag="653" ind2=" " ind1=" ">
      <subfield code="a">Informática - Trabajos Fin de Grado</subfield>
   </datafield>
   <datafield tag="653" ind2=" " ind1=" ">
      <subfield code="a">Grado en Ingeniería del Software - Trabajos Fin de Grado</subfield>
   </datafield>
   <datafield ind2="0" ind1="0" tag="245">
      <subfield code="a">Inteligencia artificial aplicada a detección de objetivos pequeños por luz infrarroja</subfield>
   </datafield>
</record>
</metadata></record></GetRecord></OAI-PMH>