Show simple item record

dc.contributor.advisorGarcía-Martín, Álvaro
dc.contributor.advisorMartínez Sánchez, José María 
dc.contributor.authorPeña Almansa, Alejandro
dc.contributor.otherUAM. Departamento de Tecnología Electrónica y de las Comunicacioneses_ES
dc.date.accessioned2019-07-19T08:38:56Z
dc.date.available2019-07-19T08:38:56Z
dc.date.issued2018-05
dc.identifier.urihttp://hdl.handle.net/10486/688162en_US
dc.description.abstractEn este Trabajo Fin de Grado se presenta el desarrollo de un algoritmo, basado en redes neuronales convolucionales, de segmentación de la escena en dos clases, objeto y fondo, cuyo objetivo radica en garantizar que ningún objeto o parte de objeto sea clasificado erróneamente como fondo, a diferencia del enfoque tradicional que se centra en obtener una gran precisión en la detección o clasificación del objeto. Dicho algoritmo se implementa a partir de un detector multiescala que aplica modelos basados en partes del objeto, siguiendo una arquitectura de red neuronal convolucional, sobre una pirámide de características construida por una segunda red neuronal convolucional a partir de la imagen de entrada. Sobre el detector desarrollamos dos métodos de segmentación que generalizan la segmentación persona-fondo del trabajo del que partimos, de forma que puedan operar con cualquier clase de objeto. Nuestros experimentos se dividen en una evaluación del segmentador con la clase persona, y una segunda evaluación con distintas clases de objeto. La evaluación con la clase persona, muestra que el enfoque basado en redes neuronales convoluacionales desarrollado no sólo supera en rendimiento al enfoque tradicional del que partimos, sino que obtiene resultados cercanos al estado del arte en segmentación semántica mediante deep learning e incluso lo supera cuando se aplica una mayor penalización de los falsos positivos de la segmentación. Por su parte, la evaluación con clases de objeto distintas a persona corrobora la mejora de rendimiento del segmentador desarrollado respecto a sus versiones previas, llegando a obtener máscaras de segmentación satisfactorias en casos donde el trabajo previo no funcionó, aunque muestra un ligero aumento de la tasa de falsos positivos con respecto a la evaluación de persona.es_ES
dc.format.extent66 pág.es_ES
dc.format.mimetypeapplication/pdfen_US
dc.language.isospaen_US
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.otherSegmentación objeto-fondoes_ES
dc.subject.othersegmentación persona-fondoes_ES
dc.subject.otherdetección de objetoses_ES
dc.titleSegmentación objeto-fondo mediante redes convolucionaleses_ES
dc.typebachelorThesisen_US
dc.subject.ecienciaTelecomunicacioneses_ES
dc.rights.ccReconocimiento – NoComercial – SinObraDerivadaes_ES
dc.rights.accessRightsopenAccessen_US
dc.facultadUAMEscuela Politécnica Superior


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

https://creativecommons.org/licenses/by-nc-nd/4.0/
Except where otherwise noted, this item's license is described as https://creativecommons.org/licenses/by-nc-nd/4.0/