La detección de objetos y geolocalización son puntos clave en los sistemas de visión por
computadora y su aplicación para la conducción autónoma. Le permite a la computadora el
análisis de entorno en la medida que detecta objetos que podrían obstaculizar una determinada
ruta, trayectorias a través del reconocimiento de carriles y mayor exactitud para la
geolocalización a través de la detección de objetos relevantes en un determinado entorno. Una
de las herramientas para la visión por computadora es la implementación de las redes de
aprendizaje profundo. En los últimos años han tenido mayor acogida por su capacidad en el
poco esfuerzo en cuanto a su clasificación manual o métodos clásicos. Si bien es cierto que
necesita millones de imágenes para obtener un resultado aceptable, esto se ha ido mejorando
a través de la transferencia de aprendizaje ya que reduce los millones de imágenes a miles.
Estos miles de imágenes se consideran como los datos locales las cuales se analizan, clasifican
y re-entrenan con una arquitectura de red pre-entrada. El presente trabajo de investigación se
basa en el estudio del uso de los aprendizajes adquiridos por cada red de aprendizaje profundo
tales como Resnet-18, Resnet-50, Mobilenetv2 y Xception con el fin de aprovechar su acceso
e implementación en estructuras de segmentación semántica basadas en redes convolucionales
tales como Segnet y Deeplab.
| Identifer | oai:union.ndltd.org:PUCP/oai:tesis.pucp.edu.pe:20.500.12404/18082 |
| Date | 02 February 2021 |
| Creators | Pasapera Huamán, Lui Gustavo |
| Contributors | Flores Espinoza, Donato Andrés |
| Publisher | Pontificia Universidad Católica del Perú, PE |
| Source Sets | Pontificia Universidad Católica del Perú |
| Language | Spanish |
| Detected Language | Spanish |
| Type | info:eu-repo/semantics/bachelorThesis |
| Format | application/pdf |
| Rights | Atribución-NoComercial 2.5 Perú, info:eu-repo/semantics/openAccess, http://creativecommons.org/licenses/by-nc/2.5/pe/ |
Page generated in 0.0017 seconds