JavaScript is disabled for your browser. Some features of this site may not work without it.

    Listar

    Todo RIUMAComunidades & ColeccionesPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditoresEsta colecciónPor fecha de publicaciónAutoresTítulosMateriasTipo de publicaciónCentrosDepartamentos/InstitutosEditores

    Mi cuenta

    AccederRegistro

    Estadísticas

    Ver Estadísticas de uso

    DE INTERÉS

    Datos de investigaciónReglamento de ciencia abierta de la UMAPolítica de RIUMAPolitica de datos de investigación en RIUMAOpen Policy Finder (antes Sherpa-Romeo)Dulcinea
    Preguntas frecuentesManual de usoContacto/Sugerencias
    Ver ítem 
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem
    •   RIUMA Principal
    • Docencia
    • Trabajos Fin de Grado
    • Ver ítem

    Estudio sobre la mejora en la detección de objetos pequeños mediante técnicas de procesamiento de imágenes y super-resolución.

    • Autor
      Castillo Conesa, Daniel
    • Director/es
      Domínguez-Merino, EnriqueAutoridad Universidad de Málaga; García Aguilar, Iván
    • Fecha
      2022-12
    • Palabras clave
      Redes neuronales (Informática); Procesado de imágenes; Informática - Trabajos Fin de Grado; Grado en Ingeniería Informática - Trabajos Fin de Grado
    • Resumen
      Los drones son un tipo de vehículo aéreo no tripulado (UAV) los cuales en los últimos años se han convertido en una herramienta indispensable en multitud de tareas debido a su enorme utilidad, bajo coste y facilidad de uso. La popularización de estos aparatos ha traído consigo un aumento en la toma de imágenes aéreas. En este tipo de imágenes normalmente aparecen objetos de pequeño tamaño. Detectar a los mismos suele ser un paso fundamental para extraer información de acuerdo con el ámbito de aplicación. Existen múltiples modelos entrenados mediante algoritmos de aprendizaje profundo o Deep Learning que son capaces de detectar de manera automática objetos en una imagen. No obstante, estos modelos han sido entrenados para identificar objetos de tamaño grande o mediano principalmente. Por tanto, su tasa de detección o accuracy desciende conforme los objetos en la imagen se hacen más pequeños, especialmente en imágenes de baja calidad o con un fondo complejo. Las soluciones disponibles para la detección de este tipo de elementos a día de hoy son limitadas. Por ello, es necesario la investigación y aporte de nuevas soluciones dentro de este campo. En este trabajo se plantea un estudio empírico sobre la mejora en la detección de objetos pequeños mediante la aplicación de redes neuronales convolucionales (CNN), en conjunto con distintas técnicas de procesamiento de la imagen y superresolución durante la fase de inferencia. Este tipo de técnicas son conocidas como Test Time Augmentation (TTA) y tienen como objetivo presentar al modelo de detección la misma imagen de entrada con una serie de transformaciones para así intentar aumentar la tasa de detección de los objetos en el fotograma sobre el cual se desea inferir, y con ello, se logre aumentar el accuracy del modelo sin necesidad de re-entrenar el mismo, ya que este es un proceso costoso computacionalmente, quedando fuera de los límites de este trabajo.
    • URI
      https://hdl.handle.net/10630/26016
    • Compartir
      RefworksMendeley
    Mostrar el registro completo del ítem
    Ficheros
    Castillo Conesa Daniel Memoria.pdf (19.61Mb)
    Colecciones
    • Trabajos Fin de Grado

    Estadísticas

    Buscar en Dimension
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
     

     

    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA
    REPOSITORIO INSTITUCIONAL UNIVERSIDAD DE MÁLAGA