Mostrar el registro sencillo del ítem
Estudio sobre la mejora en la detección de objetos pequeños mediante técnicas de procesamiento de imágenes y super-resolución.
dc.contributor.advisor | Domínguez-Merino, Enrique | |
dc.contributor.advisor | García Aguilar, Iván | |
dc.contributor.author | Castillo Conesa, Daniel | |
dc.contributor.other | Lenguajes y Ciencias de la Computación | es_ES |
dc.date.accessioned | 2023-02-21T12:23:02Z | |
dc.date.available | 2023-02-21T12:23:02Z | |
dc.date.issued | 2022-12 | |
dc.identifier.uri | https://hdl.handle.net/10630/26016 | |
dc.description.abstract | 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. | es_ES |
dc.language.iso | spa | 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 | Redes neuronales (Informática) | es_ES |
dc.subject | Procesado de imágenes | es_ES |
dc.subject | Informática - Trabajos Fin de Grado | es_ES |
dc.subject | Grado en Ingeniería Informática - Trabajos Fin de Grado | es_ES |
dc.subject.other | Aprendizaje Profundo | es_ES |
dc.subject.other | Redes Neuronales Convolucionales | es_ES |
dc.subject.other | Visión por Computador | es_ES |
dc.subject.other | Detección Objetos Pequeños | es_ES |
dc.subject.other | Super-resolución | es_ES |
dc.subject.other | Aumento en Fase de Pruebas | es_ES |
dc.title | Estudio sobre la mejora en la detección de objetos pequeños mediante técnicas de procesamiento de imágenes y super-resolución. | es_ES |
dc.title.alternative | Study about the improvement of small objects detection using image processing and super-resolution techniques. | es_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | es_ES |
dc.centro | E.T.S.I. Informática | es_ES |
dc.rights.cc | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |