Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales
En el entorno social cada día se aprecia como la inseguridad es un mal agobiante, tanto para las personas como para la comunidad en general. Los objetos más utilizados para perpetrar este tipo de actos criminales son las armas de fuego. Con este proyecto se propone implementar un sistema que basado...
- Autores:
-
Durán Caicedo, Alfonso
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2023
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Repositorio Institucional USTA
- Idioma:
- spa
- OAI Identifier:
- oai:repository.usta.edu.co:11634/49244
- Acceso en línea:
- http://hdl.handle.net/11634/49244
- Palabra clave:
- Ingeniería Electrónica
Comunidad Integral
Armas de Fuego
Procesamiento de Imágenes
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 2.5 Colombia
| id |
SANTTOMAS2_9d5031b83882a18979aaa981f08c0478 |
|---|---|
| oai_identifier_str |
oai:repository.usta.edu.co:11634/49244 |
| network_acronym_str |
SANTTOMAS2 |
| network_name_str |
Repositorio Institucional USTA |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales |
| title |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales |
| spellingShingle |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales Ingeniería Electrónica Comunidad Integral Armas de Fuego Procesamiento de Imágenes |
| title_short |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales |
| title_full |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales |
| title_fullStr |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales |
| title_full_unstemmed |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales |
| title_sort |
Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales |
| dc.creator.fl_str_mv |
Durán Caicedo, Alfonso |
| dc.contributor.advisor.none.fl_str_mv |
Calderón Chávez, Juan Manuel |
| dc.contributor.author.none.fl_str_mv |
Durán Caicedo, Alfonso |
| dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/0000-0002-4471-3980 |
| dc.contributor.cvlac.spa.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000380938 https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001672896 |
| dc.contributor.corporatename.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.subject.lemb.spa.fl_str_mv |
Ingeniería Electrónica Comunidad Integral Armas de Fuego Procesamiento de Imágenes |
| topic |
Ingeniería Electrónica Comunidad Integral Armas de Fuego Procesamiento de Imágenes |
| description |
En el entorno social cada día se aprecia como la inseguridad es un mal agobiante, tanto para las personas como para la comunidad en general. Los objetos más utilizados para perpetrar este tipo de actos criminales son las armas de fuego. Con este proyecto se propone implementar un sistema que basado en visión artificial que pueda mediante algoritmos Deep Learning y herramientas de posicionamiento del cuerpo como OpenPose reconocer una persona con un arma de fuego. La clasificación de los objetos o armas de fuego se implementan con redes neuronales convolucionales (CNN). Para hacer más rápido y efectivo este procesamiento de imágenes, se utilizarán varias técnicas de desarrollo sobre Google Colab, Jupyter Lab, Oracle Máquina Virtual y Git Bash, aprovechando también la utilización de una tarjeta GPU modelo RTX A5000 NVIDIA para mayor rapidez en la ejecución de cada uno de los pasos del desarrollo propuesto. Las fases del proyecto propuesto son cinco principalmente: elaboración base de datos, entrenamiento del modelo, validación, implementación OpenPose, resultados del modelo. También tiene varias subfases que permiten la implementación eficiente del proyecto. Finalmente, el sistema permitió confirmar la actividad peligrosa con arma de fuego mediante detecciones obtenidas a través de videos en tiempo real. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-02-01T21:44:14Z |
| dc.date.available.none.fl_str_mv |
2023-02-01T21:44:14Z |
| dc.date.issued.none.fl_str_mv |
2023-02-01 |
| dc.type.local.spa.fl_str_mv |
Tesis de maestría |
| dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
| dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| format |
http://purl.org/coar/resource_type/c_bdcc |
| status_str |
acceptedVersion |
| dc.identifier.citation.spa.fl_str_mv |
Durán Caicedo, A. (2022). Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/49244 |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad Santo Tomás |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Santo Tomás |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
| identifier_str_mv |
Durán Caicedo, A. (2022). Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional. reponame:Repositorio Institucional Universidad Santo Tomás instname:Universidad Santo Tomás repourl:https://repository.usta.edu.co |
| url |
http://hdl.handle.net/11634/49244 |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
Consejo de Bogotá. https://concejodebogota.gov.co/la-inseguridad-en-bogota-no-datregua/cbogota/2021-08-18/130620.php 2021. Medicina Legal. https://www.medicinalegal.gov.co/documents/20143/386932/ Forensis+2018.pdf/be4816a4-3da3-1ff0-2779-e7b5e3962d60 C. Wang, Y. Wang, & Yuille, A. L. An approach to pose-based action recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 915-922). 2013. B. Cyganek, &, J. P. Siebert (2011). An introduction to 3D computer vision techniques and algorithms. John Wiley & Sons ONU-HABITAT https://onuhabitat.org.mx/index.php/violencia-en-inseguridad-enlas-ciudades Universidad Nacional de Cuyo. http://www.politicaspublicas.uncu.edu.ar/ articulos/index/inseguridad-un-analisis-desde-la-estructura-social T. Gil Márquez. "Una preocupación por la seguridad: Jaume Curbet, in memoriam." 2012. I. Hereu, J. Curbet. "Inseguridad global, seguridad mundicéntrica." Revista Catalana de Seguretat Pública. 2011. E. Spinelli, and ESTRELLA MARIELA. "Criminalística: Lugar del hecho." Especialización en Medicina Legal Dra. RattoNielsen. Instituto Universitario de Ciencias de la Salud Fundación HA Barcelona. L. Barros. Planificacion de la Actividad Delictual en casos de Robo con Violencia o Intimidación. 2016. C. Gutiérrez Lancho, "Detección de armas en vídeos mediante técnicas de Deep Learning." 2019. J. G. Jiménez. Visión por computador. Paraninfo. 2000. D. A. Montoya. Implementación y evaluación del rendimiento de redes neuronales densas en FPGA para la inferencia rápida, aplicadas a problemas en física y visión artificial. 2020. J. M. Pérez. Inteligencia computacional inspirada en la vida (Vol. 36). Servicio Publicaciones UMA. 2010. P. Loncomilla. "Deep learning: Redes convolucionales." Recuperado de https://ccc. inaoep. mx/~ pgomez/deep/presentations . 2016 K. H. Tan, &, B. P. Lim. The artificial intelligence renaissance: Deep learning and the road to human-level machine intelligence. APSIPA Transactions on Signal and Information Processing, 7. 2018. A. Verma, P. Singh and J. S Rani., "Modified Convolutional Neural Network Architecture Analysis for Facial Emotion Recognition," in 2019 International Conference on Systems, Signals and Image Processing (IWSSIP), pp. 169-173, 2019. E. G. Sánchez, J. A. Nalvaiz, & Lozano, L. O. Introducción a las redes neuronales de convolución. Aplicación a la visión por ordenador. 2019. F. M. Quiroga. Medidas de invarianza y equivarianza a transformaciones en redes neuronales convolucionales (Doctoral dissertation, Universidad Nacional de La Plata). 2020. D. Erroz Arroyo. Visualizando neuronas en redes neuronales convolucionales. 2019. ] F. L., Saca, A. F. Ramírez, C. A. Cruz, J. V. Cortez, , A. Z López., &, E. R. Martínez. Preprocesamiento de bases de datos de imágenes para mejorar el rendimiento de redes neuronales convolucionales. Research in Computing Science, 147(7), 35-45. 2018 F. Almeida, , D. Giménez, , J. M. Mantas, &, A. M. Vidal. Introducción a la programación paralela. Thompson Paraninfo. 2008. R., Vuduc, A Chandramowlishwaran, J. Choi, , M Guney, &, A. Shringarpure. On the limits of GPU acceleration. In Proceedings of the 2nd USENIX conference on Hot topics in parallelism (Vol. 13, No. 0). 2010. M. Bernaschi, A. Di Lallo, , R Fulcoli, , E. Gallo, &, L. Timmoneri Combined use of graphics processing unit (GPU) and central processing unit (CPU) for passive radar signal & data elaboration. In 2011 12th International Radar Symposium (IRS) (pp. 315-320). IEEE. 2011. F. Bozkurt, , M. Yaganoglu, &, F. B. Günay. Effective Gaussian blurring process on graphics processing unit with CUDA. International Journal of Machine Learning and Computing, 5(1), 57. 2015. J. Cheng, , M. Grossman, &, T. McKercher. Professional CUDA c programming. John Wiley & Sons. 2014. P. Jiang, , D. Ergu, , F. Liu, , Y. Cai, &, B. Ma. A Review of YOLO algorithm. 2022. R. A. Tessler, S. J. Mooney, C. E. Witt, K. O’Connell, J. Jenness,M. S. Vavilala, and F. P. Rivara, ‘‘Use of firearms in terrorist attacks:Differences between the United States, Canada, Europe, Australia, and New Zealand,’’ JAMA Internal Med., vol. 177, no. 12, pp. 1865–1868, N. Vállez, G. Bueno, and O. Déniz, ‘‘False positive reduction in detector implantation,’’ in Artificial Intelligence in Medicine (Lecture Notes inComputer Science), vol. 7885, N. Peek, R. M. Morales, and M. Peleg, Eds.Berlin, Germany: Springer, , doi: 10.1007/978- 3-642-38326-7_28. 2013. A. Castillo, S. Tabik, F. Pérez, R. Olmos, and F. Herrera, ‘‘Brightness guided preprocessing for automatic cold steel weapon detection in surveillance videos with deep learning,’’ eurocomputing, vol. 330, pp. 151–161, Feb. 2019. S. Nercessian, K. Panetta, and S. Agaian, ‘‘Automatic detection of potential threat objects in X-ray luggage scan images,’’ in Proc. IEEE Conf. Technol.Homeland Secur., , pp. 504– 509. May 2008. Z. Xiao, X. Lu, J. Yan, L. Wu, and L. Ren, ‘‘Automatic detection of concealed pistols using passive millimeter wave imaging,’’ in Proc. IEEE Int. Conf. Imag. Syst. Techn. (IST), Sep., pp. 1–4. 2015. G. Flitton, T. P. Breckon, and N. Megherbi, ‘‘A comparison of 3D interest point descriptors with application to airport baggage object detection in complex CT imagery,’’ Pattern Recognit., vol. 46, no. 9, pp. 2420–2436, Sep. 2013 G. Flitton, A. Mouton, and T. P. Breckon, ‘‘Object classification in 3Dbaggage security computed tomography imagery using visual codebooks,’’Pattern Recognit., vol. 48, no. 8, pp. 2489–2499, Aug. 2015. R. K. Tiwari and G. K. Verma, ‘‘A computer vision based framework for visual gun detection using Harris interest point detector,’’ Procedia Comput. Sci., vol. 54, pp. 703–712, Jan. 2015 N. B. Halima and O. Hosam, ‘‘Bag of words based surveillance system using support vector machines,’’ Int. J. Secur. Appl., vol. 10, no. 4, pp. 331–346, Apr. 2016. ] R. Girshick, ‘‘Fast R-CNN,’’ in Proc. IEEE Int. Conf. Comput. Vis. (ICCV),Dec., pp. 1440–1448. 2015. G. K. Verma and A. Dhillon, ‘‘A handheld gun detection using faster R-CNN deep learning,’’ in Proc. 7th Int. Conf. Comput. Commun. Technol. (ICCCT), , pp. 84–88. 2017 J. Ponce. "Dataset issues in object recognition." Toward category-level object recognition. Springer, Berlin, Heidelberg, 2006. G. Olague "Evolutionary computer vision." Proceedings of the 9th annual conference companion on Genetic and evolutionary computation. 2007. E. Alegre &, R. Fernandez &, E. Mora & Es, Morae@unican &, A. Alonso. Bases de Datos de Imágenes: Arquitectura de los Sistemas de Recuperación de Imágenes Basados en Contenido. 2005. |
| dc.rights.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
| dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
| dc.publisher.spa.fl_str_mv |
Universidad Santo Tomás |
| dc.publisher.program.spa.fl_str_mv |
Maestría Ingeniería Electrónica |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería Electrónica |
| institution |
Universidad Santo Tomás |
| bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/49244/6/2023alfonsoduran.pdf.jpg https://repository.usta.edu.co/bitstream/11634/49244/7/2023cartadederchosdeautor.pdf.jpg https://repository.usta.edu.co/bitstream/11634/49244/8/Carta_aprobacion_facultad_DURAN%20CAICEDO..pdf.jpg https://repository.usta.edu.co/bitstream/11634/49244/3/license_rdf https://repository.usta.edu.co/bitstream/11634/49244/4/license.txt https://repository.usta.edu.co/bitstream/11634/49244/1/2023alfonsoduran.pdf https://repository.usta.edu.co/bitstream/11634/49244/2/2023cartadederchosdeautor.pdf https://repository.usta.edu.co/bitstream/11634/49244/5/Carta_aprobacion_facultad_DURAN%20CAICEDO..pdf |
| bitstream.checksum.fl_str_mv |
030752ab824f3986540ac1e4d738ddf1 8e88c1cddd2f1ed02d8828fe993f5431 9b237cbc64ff273d06fb54c0bc6e6bdd 217700a34da79ed616c2feb68d4c5e06 aedeaf396fcd827b537c73d23464fc27 964d157081b1219ded7fe416f87e8a12 7a69408c0203a65bd32d22061c3a0bdd fd977fb7c3074b7bbed6574886049187 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
| repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
| _version_ |
1782026138839678976 |
| spelling |
Calderón Chávez, Juan ManuelDurán Caicedo, Alfonsohttps://orcid.org/0000-0002-4471-3980https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000380938https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001672896Universidad Santo Tomás2023-02-01T21:44:14Z2023-02-01T21:44:14Z2023-02-01Durán Caicedo, A. (2022). Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas Corporales. [Trabajo de Grado, Universidad Santo Tomás]. Repositorio Institucional.http://hdl.handle.net/11634/49244reponame:Repositorio Institucional Universidad Santo Tomásinstname:Universidad Santo Tomásrepourl:https://repository.usta.edu.coEn el entorno social cada día se aprecia como la inseguridad es un mal agobiante, tanto para las personas como para la comunidad en general. Los objetos más utilizados para perpetrar este tipo de actos criminales son las armas de fuego. Con este proyecto se propone implementar un sistema que basado en visión artificial que pueda mediante algoritmos Deep Learning y herramientas de posicionamiento del cuerpo como OpenPose reconocer una persona con un arma de fuego. La clasificación de los objetos o armas de fuego se implementan con redes neuronales convolucionales (CNN). Para hacer más rápido y efectivo este procesamiento de imágenes, se utilizarán varias técnicas de desarrollo sobre Google Colab, Jupyter Lab, Oracle Máquina Virtual y Git Bash, aprovechando también la utilización de una tarjeta GPU modelo RTX A5000 NVIDIA para mayor rapidez en la ejecución de cada uno de los pasos del desarrollo propuesto. Las fases del proyecto propuesto son cinco principalmente: elaboración base de datos, entrenamiento del modelo, validación, implementación OpenPose, resultados del modelo. También tiene varias subfases que permiten la implementación eficiente del proyecto. Finalmente, el sistema permitió confirmar la actividad peligrosa con arma de fuego mediante detecciones obtenidas a través de videos en tiempo real.In the social environment, every day it is appreciated how insecurity is an overwhelming evil, both for people and for the community in general. The most used objects to perpetrate this type of criminal acts are firearms. With this project, it is proposed to implement a system based on artificial vision that can, through Deep Learning algorithms and body positioning tools such as OpenPose, recognize a person with a firearm. The classification of objects or firearms is implemented with convolutional neural networks (CNN). To make this image processing faster and more effective, several development techniques will be used on Google Colab, Jupyter Lab, Oracle Virtual Machine and Git Bash, also taking advantage of the use of an NVIDIA RTX A5000 model GPU card for faster execution of each of the steps of the proposed development. The proposed project phases are five: database development, model training, validation, OpenPose implementation, model results. It also has several sub-phases that allow the efficient implementation of the project. Finally, the system made it possible to confirm the dangerous activity with a firearm through detections obtained through videos in real time.Magister en Ingeniería ElectrónicaMaestríaapplication/pdfspaUniversidad Santo TomásMaestría Ingeniería ElectrónicaFacultad de Ingeniería ElectrónicaAtribución-NoComercial-SinDerivadas 2.5 Colombiahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Detector de Personas con Armas de Fuego a Partir de un Sistema de Visión Artificial Basado en el Análisis de Posturas CorporalesIngeniería ElectrónicaComunidad IntegralArmas de FuegoProcesamiento de ImágenesTesis de maestríainfo:eu-repo/semantics/acceptedVersionhttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisCRAI-USTA BogotáConsejo de Bogotá. https://concejodebogota.gov.co/la-inseguridad-en-bogota-no-datregua/cbogota/2021-08-18/130620.php 2021.Medicina Legal. https://www.medicinalegal.gov.co/documents/20143/386932/ Forensis+2018.pdf/be4816a4-3da3-1ff0-2779-e7b5e3962d60C. Wang, Y. Wang, & Yuille, A. L. An approach to pose-based action recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 915-922). 2013.B. Cyganek, &, J. P. Siebert (2011). An introduction to 3D computer vision techniques and algorithms. John Wiley & SonsONU-HABITAT https://onuhabitat.org.mx/index.php/violencia-en-inseguridad-enlas-ciudadesUniversidad Nacional de Cuyo. http://www.politicaspublicas.uncu.edu.ar/ articulos/index/inseguridad-un-analisis-desde-la-estructura-socialT. Gil Márquez. "Una preocupación por la seguridad: Jaume Curbet, in memoriam." 2012.I. Hereu, J. Curbet. "Inseguridad global, seguridad mundicéntrica." Revista Catalana de Seguretat Pública. 2011.E. Spinelli, and ESTRELLA MARIELA. "Criminalística: Lugar del hecho." Especialización en Medicina Legal Dra. RattoNielsen. Instituto Universitario de Ciencias de la Salud Fundación HA Barcelona.L. Barros. Planificacion de la Actividad Delictual en casos de Robo con Violencia o Intimidación. 2016.C. Gutiérrez Lancho, "Detección de armas en vídeos mediante técnicas de Deep Learning." 2019.J. G. Jiménez. Visión por computador. Paraninfo. 2000.D. A. Montoya. Implementación y evaluación del rendimiento de redes neuronales densas en FPGA para la inferencia rápida, aplicadas a problemas en física y visión artificial. 2020.J. M. Pérez. Inteligencia computacional inspirada en la vida (Vol. 36). Servicio Publicaciones UMA. 2010.P. Loncomilla. "Deep learning: Redes convolucionales." Recuperado de https://ccc. inaoep. mx/~ pgomez/deep/presentations . 2016K. H. Tan, &, B. P. Lim. The artificial intelligence renaissance: Deep learning and the road to human-level machine intelligence. APSIPA Transactions on Signal and Information Processing, 7. 2018.A. Verma, P. Singh and J. S Rani., "Modified Convolutional Neural Network Architecture Analysis for Facial Emotion Recognition," in 2019 International Conference on Systems, Signals and Image Processing (IWSSIP), pp. 169-173, 2019.E. G. Sánchez, J. A. Nalvaiz, & Lozano, L. O. Introducción a las redes neuronales de convolución. Aplicación a la visión por ordenador. 2019.F. M. Quiroga. Medidas de invarianza y equivarianza a transformaciones en redes neuronales convolucionales (Doctoral dissertation, Universidad Nacional de La Plata). 2020.D. Erroz Arroyo. Visualizando neuronas en redes neuronales convolucionales. 2019.] F. L., Saca, A. F. Ramírez, C. A. Cruz, J. V. Cortez, , A. Z López., &, E. R. Martínez. Preprocesamiento de bases de datos de imágenes para mejorar el rendimiento de redes neuronales convolucionales. Research in Computing Science, 147(7), 35-45. 2018F. Almeida, , D. Giménez, , J. M. Mantas, &, A. M. Vidal. Introducción a la programación paralela. Thompson Paraninfo. 2008.R., Vuduc, A Chandramowlishwaran, J. Choi, , M Guney, &, A. Shringarpure. On the limits of GPU acceleration. In Proceedings of the 2nd USENIX conference on Hot topics in parallelism (Vol. 13, No. 0). 2010.M. Bernaschi, A. Di Lallo, , R Fulcoli, , E. Gallo, &, L. Timmoneri Combined use of graphics processing unit (GPU) and central processing unit (CPU) for passive radar signal & data elaboration. In 2011 12th International Radar Symposium (IRS) (pp. 315-320). IEEE. 2011.F. Bozkurt, , M. Yaganoglu, &, F. B. Günay. Effective Gaussian blurring process on graphics processing unit with CUDA. International Journal of Machine Learning and Computing, 5(1), 57. 2015.J. Cheng, , M. Grossman, &, T. McKercher. Professional CUDA c programming. John Wiley & Sons. 2014.P. Jiang, , D. Ergu, , F. Liu, , Y. Cai, &, B. Ma. A Review of YOLO algorithm. 2022.R. A. Tessler, S. J. Mooney, C. E. Witt, K. O’Connell, J. Jenness,M. S. Vavilala, and F. P. Rivara, ‘‘Use of firearms in terrorist attacks:Differences between the United States, Canada, Europe, Australia, and New Zealand,’’ JAMA Internal Med., vol. 177, no. 12, pp. 1865–1868,N. Vállez, G. Bueno, and O. Déniz, ‘‘False positive reduction in detector implantation,’’ in Artificial Intelligence in Medicine (Lecture Notes inComputer Science), vol. 7885, N. Peek, R. M. Morales, and M. Peleg, Eds.Berlin, Germany: Springer, , doi: 10.1007/978- 3-642-38326-7_28. 2013.A. Castillo, S. Tabik, F. Pérez, R. Olmos, and F. Herrera, ‘‘Brightness guided preprocessing for automatic cold steel weapon detection in surveillance videos with deep learning,’’ eurocomputing, vol. 330, pp. 151–161, Feb. 2019.S. Nercessian, K. Panetta, and S. Agaian, ‘‘Automatic detection of potential threat objects in X-ray luggage scan images,’’ in Proc. IEEE Conf. Technol.Homeland Secur., , pp. 504– 509. May 2008.Z. Xiao, X. Lu, J. Yan, L. Wu, and L. Ren, ‘‘Automatic detection of concealed pistols using passive millimeter wave imaging,’’ in Proc. IEEE Int. Conf. Imag. Syst. Techn. (IST), Sep., pp. 1–4. 2015.G. Flitton, T. P. Breckon, and N. Megherbi, ‘‘A comparison of 3D interest point descriptors with application to airport baggage object detection in complex CT imagery,’’ Pattern Recognit., vol. 46, no. 9, pp. 2420–2436, Sep. 2013G. Flitton, A. Mouton, and T. P. Breckon, ‘‘Object classification in 3Dbaggage security computed tomography imagery using visual codebooks,’’Pattern Recognit., vol. 48, no. 8, pp. 2489–2499, Aug. 2015.R. K. Tiwari and G. K. Verma, ‘‘A computer vision based framework for visual gun detection using Harris interest point detector,’’ Procedia Comput. Sci., vol. 54, pp. 703–712, Jan. 2015N. B. Halima and O. Hosam, ‘‘Bag of words based surveillance system using support vector machines,’’ Int. J. Secur. Appl., vol. 10, no. 4, pp. 331–346, Apr. 2016.] R. Girshick, ‘‘Fast R-CNN,’’ in Proc. IEEE Int. Conf. Comput. Vis. (ICCV),Dec., pp. 1440–1448. 2015.G. K. Verma and A. Dhillon, ‘‘A handheld gun detection using faster R-CNN deep learning,’’ in Proc. 7th Int. Conf. Comput. Commun. Technol. (ICCCT), , pp. 84–88. 2017J. Ponce. "Dataset issues in object recognition." Toward category-level object recognition. Springer, Berlin, Heidelberg, 2006.G. Olague "Evolutionary computer vision." Proceedings of the 9th annual conference companion on Genetic and evolutionary computation. 2007.E. Alegre &, R. Fernandez &, E. Mora & Es, Morae@unican &, A. Alonso. Bases de Datos de Imágenes: Arquitectura de los Sistemas de Recuperación de Imágenes Basados en Contenido. 2005.THUMBNAIL2023alfonsoduran.pdf.jpg2023alfonsoduran.pdf.jpgIM Thumbnailimage/jpeg5554https://repository.usta.edu.co/bitstream/11634/49244/6/2023alfonsoduran.pdf.jpg030752ab824f3986540ac1e4d738ddf1MD56open access2023cartadederchosdeautor.pdf.jpg2023cartadederchosdeautor.pdf.jpgIM Thumbnailimage/jpeg7708https://repository.usta.edu.co/bitstream/11634/49244/7/2023cartadederchosdeautor.pdf.jpg8e88c1cddd2f1ed02d8828fe993f5431MD57open accessCarta_aprobacion_facultad_DURAN CAICEDO..pdf.jpgCarta_aprobacion_facultad_DURAN CAICEDO..pdf.jpgIM Thumbnailimage/jpeg6587https://repository.usta.edu.co/bitstream/11634/49244/8/Carta_aprobacion_facultad_DURAN%20CAICEDO..pdf.jpg9b237cbc64ff273d06fb54c0bc6e6bddMD58open accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repository.usta.edu.co/bitstream/11634/49244/3/license_rdf217700a34da79ed616c2feb68d4c5e06MD53open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/49244/4/license.txtaedeaf396fcd827b537c73d23464fc27MD54open accessORIGINAL2023alfonsoduran.pdf2023alfonsoduran.pdfapplication/pdf1869630https://repository.usta.edu.co/bitstream/11634/49244/1/2023alfonsoduran.pdf964d157081b1219ded7fe416f87e8a12MD51open access2023cartadederchosdeautor.pdf2023cartadederchosdeautor.pdfapplication/pdf922334https://repository.usta.edu.co/bitstream/11634/49244/2/2023cartadederchosdeautor.pdf7a69408c0203a65bd32d22061c3a0bddMD52metadata only accessCarta_aprobacion_facultad_DURAN CAICEDO..pdfCarta_aprobacion_facultad_DURAN CAICEDO..pdfapplication/pdf842607https://repository.usta.edu.co/bitstream/11634/49244/5/Carta_aprobacion_facultad_DURAN%20CAICEDO..pdffd977fb7c3074b7bbed6574886049187MD55metadata only access11634/49244oai:repository.usta.edu.co:11634/492442023-05-09 09:37:46.683open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |