Show simple item record

dc.contributor.advisorGarcía Martín, Álvaro es_ES
dc.contributor.advisorMartínez Sánchez, José María es_ES
dc.contributor.authorArcos Serrano, Raúles_ES
dc.contributor.otherUAM. Departamento de Tecnología Electrónica y de las Comunicacioneses_ES
dc.date.accessioned2021-09-29T13:44:55Zen_US
dc.date.available2021-09-29T13:44:55Zen_US
dc.date.issued2021-06en_US
dc.identifier.urihttp://hdl.handle.net/10486/697962en_US
dc.description.abstractActualmente, las técnicas basadas en aprendizaje profundo o Deep Learning han logrado rendimientos realmente buenos en gran cantidad de tareas distintas en las que han sido aplicadas. Respecto a los datos a utilizar, existe una gran disponibilidad de conjuntos distintos que van a permitir el entrenamiento de los modelos. Estos conjuntos de datos pueden estar etiquetados o no, lo cuál es una tarea muy costosa e influye en el tipo de aprendizaje así como en la eficiencia del modelo, siendo aquellos que cuenten con etiquetas más eficientes empleando entonces un aprendizaje supervisado. Por tanto, el objetivo de este Trabajo de Fin de Grado es la implementación de un sistema de Deep Learning basado en redes neuronales convolucionales, el cual tenga la capacidad de resolver un problema de clasificación de imágenes. Para ello, vamos a centrarnos en la evaluación de un caso específico: la segmentación semántica. Sin embargo, vamos a indagar más en esta técnica para lograr diferenciar entre una clase concreta y el resto de la imagen, permitiendo de este modo diferenciar entre un objeto específico y el fondo. La primera parte del proyecto contendrá el estado del arte, donde veremos los conceptos más generales relacionados con las redes neuronales. Este apartado nos permitirá meternos en el contexto apropiado para así poder entender mejor lo que hemos realizado a lo largo del trabajo. A continuación, explicaremos cómo funcionará nuestro diseño en cuanto al entorno de desarrollo, las redes empleadas para el entrenamiento de nuestro modelo, los pasos seguidos para la obtención de los resultados y cómo estos pasos han sido modificados a partir del código base. Finalmente, evaluaremos los experimentos realizados, así como los resultados obtenidos para poder sacar conclusiones acerca del trabajo realizado y, en función de estos, proponer una serie de ideas como trabajo futuro.es_ES
dc.format.extent54 pág.es_ES
dc.format.mimetypeapplication/pdfen_US
dc.language.isospaen_US
dc.subject.otherDeep Learningen_US
dc.subject.otherRedes neuronales convolucionaleses_ES
dc.subject.otherSegmentación semánticaes_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