Mostrar el registro sencillo del ítem
Análisis de técnicas de aumento de datos y entrenamiento en YOLOv3 para detección de objetos en imágenes RGB y TIR del UMA-SAR Dataset
dc.contributor.author | Vázquez-Martín, Ricardo | |
dc.contributor.author | Mandow, Anthony | |
dc.contributor.author | Morales-Rodríguez, Jesús | |
dc.contributor.author | García-Cerezo, Alfonso José | |
dc.contributor.author | Galán Cuenca, Álvaro | |
dc.date.accessioned | 2021-09-09T11:57:12Z | |
dc.date.available | 2021-09-09T11:57:12Z | |
dc.date.created | 2021 | |
dc.date.issued | 2021-09 | |
dc.identifier.citation | 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 | es_ES |
dc.identifier.uri | https://hdl.handle.net/10630/22812 | |
dc.description | Este trabajo ha recibido financiación del proyecto nacional RTI2018-093421-B-I00 | es_ES |
dc.description.abstract | 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. | es_ES |
dc.description.sponsorship | Universidad de Málaga. Campus de Excelencia Internacional Andalucía Tech. | es_ES |
dc.language.iso | spa | es_ES |
dc.publisher | Universidade da Coruña, Servizo de Publicacións. Comité Español de Automática. | es_ES |
dc.rights | info:eu-repo/semantics/openAccess | es_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Visión por ordenador | es_ES |
dc.subject.other | YOLO | es_ES |
dc.subject.other | Visión por computador | es_ES |
dc.subject.other | Aprendizaje profundo | es_ES |
dc.subject.other | Redes neuronales convolucionales | es_ES |
dc.title | Análisis de técnicas de aumento de datos y entrenamiento en YOLOv3 para detección de objetos en imágenes RGB y TIR del UMA-SAR Dataset | es_ES |
dc.type | info:eu-repo/semantics/conferenceObject | es_ES |
dc.centro | Escuela de Ingenierías Industriales | es_ES |
dc.relation.eventtitle | XLII Jornadas de Automática | es_ES |
dc.relation.eventplace | Castellón, España | es_ES |
dc.relation.eventdate | 1 de septiembre de 2021 | es_ES |
dc.rights.cc | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |