Reconocimiento de objetos utilizando técnicas de aprendizaje profundo

El presente documento expone el fundamento, desarrollo y resultados obtenidos durante el proceso de entrenamiento y evaluación, de los diferentes modelos computacionales para el reconocimiento de objetos, que utilizan como pilar fundamental las redes neuronales convolucionales. El trabajo tuvo como...

Full description

Autores:: Gómez Alvarado, Diego Felipe

Tipo de recurso:: Trabajo de grado de pregrado

Fecha de publicación:: 2021

Institución:: Universidad Militar Nueva Granada

Repositorio:: Repositorio UMNG

Idioma:: spa

id	UNIMILTAR2_cb93704880f4cccf719d939241264283
oai_identifier_str	oai:repository.unimilitar.edu.co:10654/38471
network_acronym_str	UNIMILTAR2
network_name_str	Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo
dc.title.translated.spa.fl_str_mv	Object recognition using deep learning techniques
title	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo
spellingShingle	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo REDES NEURALES (COMPUTADORES) PROGRAMACION ORIENTADA A OBJETOS (COMPUTACION) convolutional neural networks deep learning layers object recognition training aprendizaje profundo capas entrenamiento reconocimiento de objetos redes neuronales convolucionales
title_short	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo
title_full	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo
title_fullStr	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo
title_full_unstemmed	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo
title_sort	Reconocimiento de objetos utilizando técnicas de aprendizaje profundo
dc.creator.fl_str_mv	Gómez Alvarado, Diego Felipe
dc.contributor.advisor.none.fl_str_mv	Cerón Correa, Alexander
dc.contributor.author.none.fl_str_mv	Gómez Alvarado, Diego Felipe
dc.subject.lemb.spa.fl_str_mv	REDES NEURALES (COMPUTADORES) PROGRAMACION ORIENTADA A OBJETOS (COMPUTACION)
topic	REDES NEURALES (COMPUTADORES) PROGRAMACION ORIENTADA A OBJETOS (COMPUTACION) convolutional neural networks deep learning layers object recognition training aprendizaje profundo capas entrenamiento reconocimiento de objetos redes neuronales convolucionales
dc.subject.keywords.spa.fl_str_mv	convolutional neural networks deep learning layers object recognition training
dc.subject.proposal.spa.fl_str_mv	aprendizaje profundo capas entrenamiento reconocimiento de objetos redes neuronales convolucionales
description	El presente documento expone el fundamento, desarrollo y resultados obtenidos durante el proceso de entrenamiento y evaluación, de los diferentes modelos computacionales para el reconocimiento de objetos, que utilizan como pilar fundamental las redes neuronales convolucionales. El trabajo tuvo como objetivos principales, la recolección del conjunto de entrenamiento, implementación y pruebas de rendimiento. Se realizó un proceso evaluativo para diez arquitecturas y/o métodos para el reconocimiento de objetos, seis con el TensorFlow Object Detection API y cuatro usando el framework Darknet. Eso con el fin de seleccionar el modelo con mejor proceso operativo, dado parámetros concernientes a la precisión, velocidad y demanda de recursos. La recolección de las imágenes para el conjunto de datos, tomó lugar en las instalaciones de la Universidad Militar Nueva Granada, a través de la toma de vídeos y fotografías, las cuales fueron manualmente etiquetadas y posteriormente utilizadas para el proceso de entrenamiento para cada uno de los diez modelos/métodos utilizados, bajo dos marcos de trabajo diferentes. El documento se encuentra dividido en seis capítulos principales, que brindan la introducción y naturaleza del proyecto, estado del arte, fundamento teórico, desarrollo, resultados y consideraciones finales.
publishDate	2021
dc.date.accessioned.none.fl_str_mv	2021-08-12T16:54:05Z
dc.date.available.none.fl_str_mv	2021-08-12T16:54:05Z
dc.date.issued.none.fl_str_mv	2021-02-25
dc.type.local.spa.fl_str_mv	Tesis/Trabajo de grado - Monografía - Pregrado
dc.type.driver.spa.fl_str_mv	info:eu-repo/semantics/bachelorThesis
dc.type.coar.*.fl_str_mv	http://purl.org/coar/resource_type/c_7a1f
format	http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv	http://hdl.handle.net/10654/38471
dc.identifier.instname.spa.fl_str_mv	instname:Universidad Militar Nueva Granada
dc.identifier.reponame.spa.fl_str_mv	reponame:Repositorio Institucional Universidad Militar Nueva Granada
dc.identifier.repourl.spa.fl_str_mv	repourl:https://repository.unimilitar.edu.co
url	http://hdl.handle.net/10654/38471
identifier_str_mv	instname:Universidad Militar Nueva Granada reponame:Repositorio Institucional Universidad Militar Nueva Granada repourl:https://repository.unimilitar.edu.co
dc.language.iso.spa.fl_str_mv	spa
language	spa
dc.relation.references.spa.fl_str_mv	A. Andreopoulos y J. K. Tsotsos, “50 Years of object recognition: Directions forward,” Computer Vision and Image Understanding, vol. 117, n° 8, págs. 827-891, 2013, issn: 1077-3142. doi: https://doi.org/10.1016/j.cviu.2013.04.005. dirección: http://www.sciencedirect.com/science/article/pii/S107731421300091X Y. Dingyi, W. Haiyan e Y. Kaiming, “State-of-the-art and trends of autonomous driving technology,” en 2018 IEEE International Symposium on Innovation and Entrepreneurship (TEMS-ISIE), mar. de 2018, págs. 1-8. doi: https://doi.org/10.1109/TEMS-ISIE.2018.8478449 M. Bansal, M. Kumar y M. Kumar, “2D Object Recognition Techniques: State-of- the-Art Work,” Archives of Computational Methods in Engineering, feb. de 2020, issn: 1886-1784. doi: 10.1007/s11831-020-09409-1. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s11831-020-09409-1 S. Manzoor, S. Joo y T. Kuc, “Comparison of Object Recognition Approaches using Traditional Machine Vision and Modern Deep Learning Techniques for Mobile Robot,” en 2019 19th International Conference on Control, Automation and Systems (ICCAS), oct. de 2019, págs. 1316-1321. doi: 10.23919/ICCAS47443.2019.8971680 P. Viola y M. Jones, “Rapid object detection using a boosted cascade of simple features,” en Proceedings of the 2001 IEEE Computer Society Conference on Com- puter Vision and Pattern Recognition. CVPR 2001, vol. 1, dic. de 2001, págs. I-I. doi: 10.1109/CVPR.2001.990517 J. Wang, Y. Ma, L. Zhang, R. X. Gao y D. Wu, “Deep learning for smart manufacturing: Methods and applications,” Journal of Manufacturing Systems, vol. 48, págs. 144-156, 2018, Special Issue on Smart Manufacturing, issn: 0278-6125. doi: https://doi.org/10.1016/j.jmsy.2018.01.003. dirección: http://www.sciencedirect.com/science/article/pii/S0278612518300037 M. Gheisari, G. Wang y M. Z. A. Bhuiyan, “A Survey on Deep Learning in Big Data,” en 2017 IEEE International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC), vol. 2, jul. de 2017, págs. 173-180. doi: 10.1109/CSE-EUC.2017.215 S. Dargan, M. Kumar, M. R. Ayyagari y G. Kumar, “A Survey of Deep Learning and Its Applications: A New Paradigm to Machine Learning,” Archives of Computational Methods in Engineering, vol. 27, n° 4, págs. 1071-1092, sep. de 2020, issn: 1886-1784. doi: 10.1007/s11831-019-09344-w. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s11831-019-09344-w P. Bezak, “Building recognition system based on deep learning,” en 2016 Third International Conference on Artificial Intelligence and Pattern Recognition (AIPR), sep. de 2016, págs. 1-5. doi: 10.1109/ICAIPR.2016.7585230 L. Hui-bin, W. Fei, C. Qiang y P. Yong, “Recognition of individual object in focus people group based on deep learning,” en 2016 International Conference on Audio, Language and Image Processing (ICALIP), jul. de 2016, págs. 615-619. doi: 10.1109/ICALIP.2016.7846607 Y. Sakai, T. Oda, M. Ikeda y L. Barolli, “A Vegetable Category Recognition System Using Deep Neural Network,” en 2016 10th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS), jul. de 2016, págs. 189-192. doi: 10.1109/IMIS.2016.84 X. Ding, Y. Luo, Q. Yu, Q. Li, Y. Cheng, R. Munnoch, D. Xue y G. Cai, “Indoor object recognition using pre-trained convolutional neural network,” en 2017 23rd International Conference on Automation and Computing (ICAC), sep. de 2017, págs. 1-6. doi: 10.23919/IConAC.2017.8081986 B. Tian, L. Li, Y. Qu y L. Yan, “Video Object Detection for Tractability with Deep Learning Method,” en 2017 Fifth International Conference on Advanced Cloud and Big Data (CBD), ago. de 2017, págs. 397-401. doi: 10.1109/CBD.2017.75 S. Caraiman, A. Morar, M. Owczarek, A. Burlacu, D. Rzeszotarski, N. Botezatu, P. Herghelegiu, F. Moldoveanu, P. Strumillo y A. Moldoveanu, “Computer Vision for the Visually Impaired: the Sound of Vision System,” en 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), oct. de 2017, págs. 1480-1489. doi: 10.1109/ICCVW.2017.175 C. Li, Y. Zhang e Y. Qu, “Object detection based on deep learning of small samples,” en 2018 Tenth International Conference on Advanced Computational Intelligence (ICACI), mar. de 2018, págs. 449-454. doi: 10.1109/ICACI.2018.8377501 R. Jiménez Moreno, O. F. Avilés Sánchez y D. M. Ovalle Martínez, “Red neuronal convolucional para discriminar herramientas en robótica asistencial,” Visión electrónica, vol. 12, n° 2, págs. 8-8, 2018, issn: 1909-9746. dirección: https://dialnet.unirioja.es/descarga/articulo/6747028.pdf S. U. Habiba, M. K. Islam y S. M. M. Ahsan, “Bangladeshi Plant Recognition using Deep Learning based Leaf classification,” en 2019 International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2), jul. de 2019, págs. 1-4. doi: 10.1109/IC4ME247184.2019.9036515 H. Ali, M. Khursheed, S. K. Fatima, S. M. Shuja y S. Noor, “Object Recognition for Dental Instruments Using SSD-MobileNet,” en 2019 International Conference on Information Science and Communication Technology (ICISCT), mar. de 2019, págs. 1-6. doi: 10.1109/CISCT.2019.8777441 R. Sarić, M. Ulbricht, M. Krstić, J. Kevrić y D. Jokić, “Recognition of Objects in the Urban Environment using R-CNN and YOLO Deep Learning Algorithms,” en 2020 9th Mediterranean Conference on Embedded Computing (MECO), jun. de 2020, págs. 1-4. doi: 10.1109/MECO49872.2020.9134080 J. Guerrero-Viu, C. Fernandez-Labrador, C. Demonceaux y J. J. Guerrero, “What’s in my Room - Object Recognition on Indoor Panoramic Images,” en 2020 IEEE International Conference on Robotics and Automation (ICRA), mayo de 2020, págs. 567-573. doi: 10.1109/ICRA40945.2020.9197335 B. S. Alfonso, “Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos,” Trabajo de grado para pregrado, Universidad Militar Nueva Granada, Facultad de Ingeniería, Programa de pregrado - Ingeniería en Mecatrónica, 2018. dirección: http://hdl.handle.net/10654/17651 J. O. Pinzón, “Algoritmo de operación para robot asistencial autónomo enfocado a alimentación,” Tesis de maestría, Universidad Militar Nueva Granada, Facultad de Ingeniería, Programa de maestría - Ingeniería en Mecatrónica, 2019. dirección: http://hdl.handle.net/10654/32762 J. J. Vogulys, “Desarrollo de un asistente de conducción longitudinal mediante un Algoritmo de Aprendizaje Profundo,” Tesis de maestría, Universidad Militar Nueva Granada, Facultad de Ingeniería, Programa de maestría - Ingeniería en Mecatrónica, 2020. dirección: http://hdl.handle.net/10654/35691 D. G. Fisher, Robotics: New Research, ép. Robotics Research and Technology. Hauppauge, Nueva York, Estados Unidos de América: Nova Science Publishers, Inc, 2016, isbn: 9781634859677 U. Shimon, High-Level Vision: Object Recognition and Visual Cognition. Cambridge, Massachusetts, Estados Unidos de América y Londres, Inglaterra, Reino Unido: A Bradford Book, The MIT Press, 1996, isbn: 9780262210133 G. G. Calvo, P. Joshi y N. Yellavula, OpenCV 3x with Python by Example, 2.a ed. Packt Publishing, Limited, 2018, versión electrónica en ProQuest Ebook Central, isbn: 9781788396769 A. Yali, 2D Object Detection and Recognition : Models, Algorithms, and Networks. The MIT Press, 2002, isbn: 9780262011945 B. Cyganek, Object Detection and Recognition in Digital Images: Theory and Practice. John Wiley & Sons, Incorporated, 2013, versión electrónica en ProQuest Ebook Central, isbn: 9781118618370 D. Graupe, Principles of Artificial Neural Networks, 3.a ed. Singapúr: World Scientific Publishing Co Pte Ltd, 2013, versión electrónica en ProQuest Ebook Central, isbn: 9789814522748 J. A. Flores, Focus on Artificial Neural Networks. Nova Science Publishers, Incorporated, 2011, versión electrónica en ProQuest Ebook Central, isbn: 9781619421004 I. N. da Silva, D. H. Spatti, R. A. Flauzino, L. H. B. Liboni y S. F. dos Reis Alves, Artificial Neural Networks: A Practical Course. Cham, Suiza: Springer International Publishing, 2017, isbn: 978-3-319-43162-8. doi: 10.1007/978-3-319-43162-8 C. C. Aggarwal, Neural Networks and Deep Learning. Cham, Suiza: Springer International Publishing, 2018, isbn: 978-3-319-94463-0. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-319-94463-0 A. Voulodimos, N. Doulamis, A. Doulamis y E. Protopapadakis, “Deep Learning for Computer Vision: A Brief Review,” Computational Intelligence & Neuroscience, págs. 1-13, 2018, issn: 16875265 Y. LeCun, Y. Bengio y G. Hinton, “Deep learning,” Nature, vol. 521, págs. 436-444, mayo de 2015, issn: 1476-4687. doi: 10.1038/nature14539. dirección: https://doi-org.ezproxy.umng.edu.co/10.1038/nature14539 X. Du, Y. Cai, S. Wang y L. Zhang, “Overview of deep learning,” en 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC), nov. de 2016, págs. 159-164. doi: 10.1109/YAC.2016.7804882 W. A. Adkins y M. G. Davidson, Ordinary Differential Equations. Nueva York, NY, Estados Unidos de América: Springer Science+Business Media, 2012, isbn: 978-1-4614-3618-8. doi: 10.1007/978-1-4614-3618-8. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-1-4614-3618-8 I. Goodfellow, Y. Bengio y A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org, última visita: 2020-11-30 R. Yamashita, M. Nishio, R. K. G. Do y K. Togashi, “Convolutional neural networks: an overview and application in radiology,” Insights into Imaging, vol. 9, págs. 611-629, ago. de 2018, issn: 1869-4101. doi: 10.1007/s13244-018-0639-9. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s13244-018-0639-9 U. Michelucci, Applied Deep Learning. Berkeley, California, Estados Unidos de América: Apress, 2018, isbn: 978-1-4842-3790-8. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-1-4842-3790-8 Y. Lecun, L. Bottou, Y. Bengio y P. Haffner, “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, n.o 11, págs. 2278-2324, nov. de 1998, issn: 1558-2256. doi: 10.1109/5.726791 A. Krizhevsky, I. Sutskever y G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks.,” Communications of the ACM, vol. 60, n° 6, págs. 84-90, 2017, issn: 00010782. dirección: https://ezproxy.umng.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=bsu& AN=123446102&lang=es&site=eds-live M. D. Zeiler y R. Fergus, “Visualizing and Understanding Convolutional Networks,” en Computer Vision – ECCV 2014, D. Fleet, T. Pajdla, B. Schiele y T. Tuytelaars, eds., Cham, Suiza: Springer International Publishing, 2014, págs. 818-833, isbn: 978-3-319-10590-1 K. Simonyan y A. Zisserman, Very Deep Convolutional Networks for Large-Scale Image Recognition, 2014. arXiv: 1409.1556 [cs.CV] C. Szegedy, Wei Liu, Yangqing Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke y A. Rabinovich, “Going deeper with convolutions,” en 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), jun. de 2015, págs. 1-9. doi: 10.1109/CVPR.2015.7298594 K. He, X. Zhang, S. Ren y J. Sun, “Deep Residual Learning for Image Recognition,” en 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), jun. de 2016, págs. 770-778. doi: 10.1109/CVPR.2016.90 A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto y H. Adam, “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” CoRR, vol. abs/1704.04861, 2017. arXiv: 1704.04861. dirección: http://arxiv.org/abs/1704.04861 R. Girshick, J. Donahue, T. Darrell y J. Malik, “Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation,” en 2014 IEEE Conference on Computer Vision and Pattern Recognition, jun. de 2014, págs. 580-587. doi: 10.1109/CVPR.2014.81 J. Uijlings, K. Sande, T. Gevers y A. Smeulders, “Selective Search for Object Recognition.,” International Journal of Computer Vision, vol. 104, n° 2, págs. 154-171, 2013, issn: 09205691. dirección: https://ezproxy.umng.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=asn&AN=89397633&lang=es&site=eds-live R. Girshick, “Fast R-CNN,” en 2015 IEEE International Conference on Computer Vision (ICCV), dic. de 2015, págs. 1440-1448. doi: 10.1109/ICCV.2015.169 S. Ren, K. He, R. Girshick y J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” 6, vol. 39, jun. de 2017, págs. 1137-1149. doi: 10.1109/TPAMI.2016.2577031 W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.-Y. Fu y A. C. Berg, “SSD: Single Shot MultiBox Detector,” en Computer Vision – ECCV 2016, B. Leibe, J. Matas, N. Sebe y M. Welling, eds., Cham, Suiza: Springer International Publishing, 2016, págs. 21-37, isbn: 978-3-319-46448-0 J. Redmon, S. Divvala, R. Girshick y A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” págs. 779-788, jun. de 2016, issn: 1063-6919. doi: 10.1109/CVPR.2016.91 J. Redmon y A. Farhadi, “YOLO9000: Better, Faster, Stronger,” arXiv e-prints, arXiv:1612.08242, arXiv:1612.08242, dic. de 2016. arXiv: 1612.08242 [cs.CV] J. Redmon y A. Farhadi, “YOLOv3: An Incremental Improvement,” arXiv e-prints, arXiv:1804.02767, arXiv:1804.02767, abr. de 2018. arXiv: 1804.02767 P. Adarsh, P. Rathi y M. Kumar, “YOLO v3-Tiny: Object Detection and Recognition using one stage improved model,” en 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), mar. de 2020, págs. 687-694. doi: 10.1109/ICACCS48705.2020.9074315 A. Bochkovskiy, C.-Y. Wang y H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” arXiv e-prints, arXiv:2004.10934, arXiv:2004.10934, abr. de 2020. arXiv: 2004.10934 [cs.CV] Z. Jiang, L. Zhao, S. Li e Y. Jia, “Real-time object detection method based on improved YOLOv4-tiny,” arXiv e-prints, arXiv:2011.04244, arXiv:2011.04244, nov. de 2020. arXiv: 2011.04244 [cs.CV] K. He, G. Gkioxari, P. Dollár y R. Girshick, “Mask R-CNN,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, n.o 2, págs. 386-397, feb. de 2020, issn: 1939-3539. doi: 10.1109/TPAMI.2018.2844175 M. J. Shafiee, B. Chywl, F. Li y A. Wong, “Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection in Video,” CoRR, vol. abs/1709.05943, 2017. arXiv: 1709.05943. dirección: http://arxiv.org/abs/1709. 05943 C. Shorten y T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” Journal of Big Data, vol. 6, pág. 60, jul. de 2019, issn: 2196-1115. doi: 10.1186/s40537-019-0197-0. dirección: https://doi-org.ezproxy.umng.edu.co/10.1186/s40537-019-0197-0 “Batch Learning,” en Encyclopedia of Machine Learning, C. Sammut y G. I. Webb, eds. Boston, MA: Springer US, 2010, págs. 74-74, isbn: 978-0-387-30164-8. doi: 10.1007/978-0-387-30164-8_58. dirección: https://doi.org/10.1007/978-0- 387-30164-8_58 J. Huang, V. Rathod, C. Sun, M. Zhu, A. Korattikara, A. Fathi, I. Fischer, Z. Wojna, Y. Song, S. Guadarrama y K. Murphy, “Speed/Accuracy Trade-Offs for Modern Convolutional Object Detectors,” págs. 3296-3297, jul. de 2017, issn: 1063-6919. doi: 10.1109/CVPR.2017.351 J. Redmon, Darknet: Open Source Neural Networks in C, http://pjreddie.com/darknet/, 2013-2016 M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn y A. Zisserman, “The Pascal Visual Object Classes (VOC) Challenge,” International Journal of Computer Vision, vol. 88, págs. 303-338, jun. de 2010, issn: 1573-1405. doi: 10.1007/s11263-009-0275-4. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s11263-009-0275-4 D. M. W. Powers, “Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation,” arXiv e-prints, arXiv:2010.16061, arXiv:2010.16061, oct. de 2020. arXiv: 2010.16061 [cs.LG] C. Goutte y E. Gaussier, “A Probabilistic Interpretation of Precision, Recall and F-Score, with Implication for Evaluation,” en Advances in Information Retrieval, D. E. Losada y J. M. Fernández-Luna, eds., Berlin, Heidelberg, Alemania: Springer Berlin Heidelberg, 2005, págs. 345-359, isbn: 978-3-540-31865-1. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-540-31865-1_25 T. Skopal y P. Moravec, “Modified LSI Model for Efficient Search by Metric Access Methods,” en Advances in Information Retrieval, J. M. Losada David E.and Fernández-Luna, ed., Berlin, Heidelberg, Alemania: Springer Berlin Heidelberg, 2005, págs. 245-259, isbn: 978-3-540-31865-1. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-540-31865-1_18 S. M. Beitzel, E. C. Jensen y O. Frieder, “MAP,” en Encyclopedia of Database Systems, L. LIU y M. T. ÖZSU, eds. Boston, MA: Springer US, 2009, págs. 1691-1692, isbn: 978-0-387-39940-9. doi: 10.1007/978-0-387-39940-9_492. dirección: https://doi.org/10.1007/978-0-387-39940-9_492
dc.rights.uri.*.fl_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/
dc.rights.accessrights.spa.fl_str_mv	info:eu-repo/semantics/openAccess
dc.rights.accessrights.*.fl_str_mv	http://purl.org/coar/access_right/c_abf2
dc.rights.creativecommons.spa.fl_str_mv	Attribution-NonCommercial-NoDerivatives 4.0 International
dc.rights.local.spa.fl_str_mv	Acceso abierto
rights_invalid_str_mv	http://creativecommons.org/licenses/by-nc-nd/4.0/ http://purl.org/coar/access_right/c_abf2 Attribution-NonCommercial-NoDerivatives 4.0 International Acceso abierto
eu_rights_str_mv	openAccess
dc.format.mimetype.spa.fl_str_mv	applicaction/pdf
dc.coverage.sede.spa.fl_str_mv	Calle 100
dc.publisher.program.spa.fl_str_mv	Ingeniería Multimedia
dc.publisher.faculty.spa.fl_str_mv	Facultad de Ingeniería
dc.publisher.grantor.spa.fl_str_mv	Universidad Militar Nueva Granada
institution	Universidad Militar Nueva Granada
bitstream.url.fl_str_mv	http://repository.unimilitar.edu.co/bitstream/10654/38471/1/GomezAlvaradoDiegoFelipe2021.pdf http://repository.unimilitar.edu.co/bitstream/10654/38471/2/license.txt http://repository.unimilitar.edu.co/bitstream/10654/38471/3/GomezAlvaradoDiegoFelipe2021.pdf.jpg
bitstream.checksum.fl_str_mv	cf16d8e764d8ee06ce439433e42379e9 a609d7e369577f685ce98c66b903b91b 26e6dc4658801aeb35daf9207d3ea359
bitstream.checksumAlgorithm.fl_str_mv	MD5 MD5 MD5
repository.name.fl_str_mv	Repositorio Institucional UMNG
repository.mail.fl_str_mv	bibliodigital@unimilitar.edu.co
_version_	1814090687135612928
spelling	Cerón Correa, AlexanderGómez Alvarado, Diego FelipeIngeniero Multimedia2021-08-12T16:54:05Z2021-08-12T16:54:05Z2021-02-25http://hdl.handle.net/10654/38471instname:Universidad Militar Nueva Granadareponame:Repositorio Institucional Universidad Militar Nueva Granadarepourl:https://repository.unimilitar.edu.coEl presente documento expone el fundamento, desarrollo y resultados obtenidos durante el proceso de entrenamiento y evaluación, de los diferentes modelos computacionales para el reconocimiento de objetos, que utilizan como pilar fundamental las redes neuronales convolucionales. El trabajo tuvo como objetivos principales, la recolección del conjunto de entrenamiento, implementación y pruebas de rendimiento. Se realizó un proceso evaluativo para diez arquitecturas y/o métodos para el reconocimiento de objetos, seis con el TensorFlow Object Detection API y cuatro usando el framework Darknet. Eso con el fin de seleccionar el modelo con mejor proceso operativo, dado parámetros concernientes a la precisión, velocidad y demanda de recursos. La recolección de las imágenes para el conjunto de datos, tomó lugar en las instalaciones de la Universidad Militar Nueva Granada, a través de la toma de vídeos y fotografías, las cuales fueron manualmente etiquetadas y posteriormente utilizadas para el proceso de entrenamiento para cada uno de los diez modelos/métodos utilizados, bajo dos marcos de trabajo diferentes. El documento se encuentra dividido en seis capítulos principales, que brindan la introducción y naturaleza del proyecto, estado del arte, fundamento teórico, desarrollo, resultados y consideraciones finales.This document presents the theory, development and results obtained during the training and evaluation process of the different computational models for object recognition, which use convolutional neural networks as the main principle. The project had several main objectives, incluiding the collection of the training set, implementation and performance tests. An evaluation process was carried out for ten architectures and/or methods for object recognition, six with the TensorFlow Object Detection API and four with the Darknet framework. This in order to select the best model in terms of operating process, given certain parameters concerning precision, speed and resource demand. The collection of the images for the training dataset, took place in the facilities of the Nueva Granada Military University, through the taking of videos and photographs, which were manually labeled and later used in the training process for each of the ten models/methods under two different working environments. The document is divided into six main chapters concerning the introduction and nature of the project, state of the art, theorical foundation, development, results and final considerations.Pregradoapplicaction/pdfspahttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Attribution-NonCommercial-NoDerivatives 4.0 InternationalAcceso abiertoReconocimiento de objetos utilizando técnicas de aprendizaje profundoObject recognition using deep learning techniquesREDES NEURALES (COMPUTADORES)PROGRAMACION ORIENTADA A OBJETOS (COMPUTACION)convolutional neural networksdeep learninglayersobject recognitiontrainingaprendizaje profundocapasentrenamientoreconocimiento de objetosredes neuronales convolucionalesTesis/Trabajo de grado - Monografía - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fIngeniería MultimediaFacultad de IngenieríaUniversidad Militar Nueva GranadaA. Andreopoulos y J. K. Tsotsos, “50 Years of object recognition: Directions forward,” Computer Vision and Image Understanding, vol. 117, n° 8, págs. 827-891, 2013, issn: 1077-3142. doi: https://doi.org/10.1016/j.cviu.2013.04.005. dirección: http://www.sciencedirect.com/science/article/pii/S107731421300091XY. Dingyi, W. Haiyan e Y. Kaiming, “State-of-the-art and trends of autonomous driving technology,” en 2018 IEEE International Symposium on Innovation and Entrepreneurship (TEMS-ISIE), mar. de 2018, págs. 1-8. doi: https://doi.org/10.1109/TEMS-ISIE.2018.8478449M. Bansal, M. Kumar y M. Kumar, “2D Object Recognition Techniques: State-of- the-Art Work,” Archives of Computational Methods in Engineering, feb. de 2020, issn: 1886-1784. doi: 10.1007/s11831-020-09409-1. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s11831-020-09409-1S. Manzoor, S. Joo y T. Kuc, “Comparison of Object Recognition Approaches using Traditional Machine Vision and Modern Deep Learning Techniques for Mobile Robot,” en 2019 19th International Conference on Control, Automation and Systems (ICCAS), oct. de 2019, págs. 1316-1321. doi: 10.23919/ICCAS47443.2019.8971680P. Viola y M. Jones, “Rapid object detection using a boosted cascade of simple features,” en Proceedings of the 2001 IEEE Computer Society Conference on Com- puter Vision and Pattern Recognition. CVPR 2001, vol. 1, dic. de 2001, págs. I-I. doi: 10.1109/CVPR.2001.990517J. Wang, Y. Ma, L. Zhang, R. X. Gao y D. Wu, “Deep learning for smart manufacturing: Methods and applications,” Journal of Manufacturing Systems, vol. 48, págs. 144-156, 2018, Special Issue on Smart Manufacturing, issn: 0278-6125. doi: https://doi.org/10.1016/j.jmsy.2018.01.003. dirección: http://www.sciencedirect.com/science/article/pii/S0278612518300037M. Gheisari, G. Wang y M. Z. A. Bhuiyan, “A Survey on Deep Learning in Big Data,” en 2017 IEEE International Conference on Computational Science and Engineering (CSE) and IEEE International Conference on Embedded and Ubiquitous Computing (EUC), vol. 2, jul. de 2017, págs. 173-180. doi: 10.1109/CSE-EUC.2017.215S. Dargan, M. Kumar, M. R. Ayyagari y G. Kumar, “A Survey of Deep Learning and Its Applications: A New Paradigm to Machine Learning,” Archives of Computational Methods in Engineering, vol. 27, n° 4, págs. 1071-1092, sep. de 2020, issn: 1886-1784. doi: 10.1007/s11831-019-09344-w. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s11831-019-09344-wP. Bezak, “Building recognition system based on deep learning,” en 2016 Third International Conference on Artificial Intelligence and Pattern Recognition (AIPR), sep. de 2016, págs. 1-5. doi: 10.1109/ICAIPR.2016.7585230L. Hui-bin, W. Fei, C. Qiang y P. Yong, “Recognition of individual object in focus people group based on deep learning,” en 2016 International Conference on Audio, Language and Image Processing (ICALIP), jul. de 2016, págs. 615-619. doi: 10.1109/ICALIP.2016.7846607Y. Sakai, T. Oda, M. Ikeda y L. Barolli, “A Vegetable Category Recognition System Using Deep Neural Network,” en 2016 10th International Conference on Innovative Mobile and Internet Services in Ubiquitous Computing (IMIS), jul. de 2016, págs. 189-192. doi: 10.1109/IMIS.2016.84X. Ding, Y. Luo, Q. Yu, Q. Li, Y. Cheng, R. Munnoch, D. Xue y G. Cai, “Indoor object recognition using pre-trained convolutional neural network,” en 2017 23rd International Conference on Automation and Computing (ICAC), sep. de 2017, págs. 1-6. doi: 10.23919/IConAC.2017.8081986B. Tian, L. Li, Y. Qu y L. Yan, “Video Object Detection for Tractability with Deep Learning Method,” en 2017 Fifth International Conference on Advanced Cloud and Big Data (CBD), ago. de 2017, págs. 397-401. doi: 10.1109/CBD.2017.75S. Caraiman, A. Morar, M. Owczarek, A. Burlacu, D. Rzeszotarski, N. Botezatu, P. Herghelegiu, F. Moldoveanu, P. Strumillo y A. Moldoveanu, “Computer Vision for the Visually Impaired: the Sound of Vision System,” en 2017 IEEE International Conference on Computer Vision Workshops (ICCVW), oct. de 2017, págs. 1480-1489. doi: 10.1109/ICCVW.2017.175C. Li, Y. Zhang e Y. Qu, “Object detection based on deep learning of small samples,” en 2018 Tenth International Conference on Advanced Computational Intelligence (ICACI), mar. de 2018, págs. 449-454. doi: 10.1109/ICACI.2018.8377501R. Jiménez Moreno, O. F. Avilés Sánchez y D. M. Ovalle Martínez, “Red neuronal convolucional para discriminar herramientas en robótica asistencial,” Visión electrónica, vol. 12, n° 2, págs. 8-8, 2018, issn: 1909-9746. dirección: https://dialnet.unirioja.es/descarga/articulo/6747028.pdfS. U. Habiba, M. K. Islam y S. M. M. Ahsan, “Bangladeshi Plant Recognition using Deep Learning based Leaf classification,” en 2019 International Conference on Computer, Communication, Chemical, Materials and Electronic Engineering (IC4ME2), jul. de 2019, págs. 1-4. doi: 10.1109/IC4ME247184.2019.9036515H. Ali, M. Khursheed, S. K. Fatima, S. M. Shuja y S. Noor, “Object Recognition for Dental Instruments Using SSD-MobileNet,” en 2019 International Conference on Information Science and Communication Technology (ICISCT), mar. de 2019, págs. 1-6. doi: 10.1109/CISCT.2019.8777441R. Sarić, M. Ulbricht, M. Krstić, J. Kevrić y D. Jokić, “Recognition of Objects in the Urban Environment using R-CNN and YOLO Deep Learning Algorithms,” en 2020 9th Mediterranean Conference on Embedded Computing (MECO), jun. de 2020, págs. 1-4. doi: 10.1109/MECO49872.2020.9134080J. Guerrero-Viu, C. Fernandez-Labrador, C. Demonceaux y J. J. Guerrero, “What’s in my Room - Object Recognition on Indoor Panoramic Images,” en 2020 IEEE International Conference on Robotics and Automation (ICRA), mayo de 2020, págs. 567-573. doi: 10.1109/ICRA40945.2020.9197335B. S. Alfonso, “Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos,” Trabajo de grado para pregrado, Universidad Militar Nueva Granada, Facultad de Ingeniería, Programa de pregrado - Ingeniería en Mecatrónica, 2018. dirección: http://hdl.handle.net/10654/17651J. O. Pinzón, “Algoritmo de operación para robot asistencial autónomo enfocado a alimentación,” Tesis de maestría, Universidad Militar Nueva Granada, Facultad de Ingeniería, Programa de maestría - Ingeniería en Mecatrónica, 2019. dirección: http://hdl.handle.net/10654/32762J. J. Vogulys, “Desarrollo de un asistente de conducción longitudinal mediante un Algoritmo de Aprendizaje Profundo,” Tesis de maestría, Universidad Militar Nueva Granada, Facultad de Ingeniería, Programa de maestría - Ingeniería en Mecatrónica, 2020. dirección: http://hdl.handle.net/10654/35691D. G. Fisher, Robotics: New Research, ép. Robotics Research and Technology. Hauppauge, Nueva York, Estados Unidos de América: Nova Science Publishers, Inc, 2016, isbn: 9781634859677U. Shimon, High-Level Vision: Object Recognition and Visual Cognition. Cambridge, Massachusetts, Estados Unidos de América y Londres, Inglaterra, Reino Unido: A Bradford Book, The MIT Press, 1996, isbn: 9780262210133G. G. Calvo, P. Joshi y N. Yellavula, OpenCV 3x with Python by Example, 2.a ed. Packt Publishing, Limited, 2018, versión electrónica en ProQuest Ebook Central, isbn: 9781788396769A. Yali, 2D Object Detection and Recognition : Models, Algorithms, and Networks. The MIT Press, 2002, isbn: 9780262011945B. Cyganek, Object Detection and Recognition in Digital Images: Theory and Practice. John Wiley & Sons, Incorporated, 2013, versión electrónica en ProQuest Ebook Central, isbn: 9781118618370D. Graupe, Principles of Artificial Neural Networks, 3.a ed. Singapúr: World Scientific Publishing Co Pte Ltd, 2013, versión electrónica en ProQuest Ebook Central, isbn: 9789814522748J. A. Flores, Focus on Artificial Neural Networks. Nova Science Publishers, Incorporated, 2011, versión electrónica en ProQuest Ebook Central, isbn: 9781619421004I. N. da Silva, D. H. Spatti, R. A. Flauzino, L. H. B. Liboni y S. F. dos Reis Alves, Artificial Neural Networks: A Practical Course. Cham, Suiza: Springer International Publishing, 2017, isbn: 978-3-319-43162-8. doi: 10.1007/978-3-319-43162-8C. C. Aggarwal, Neural Networks and Deep Learning. Cham, Suiza: Springer International Publishing, 2018, isbn: 978-3-319-94463-0. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-319-94463-0A. Voulodimos, N. Doulamis, A. Doulamis y E. Protopapadakis, “Deep Learning for Computer Vision: A Brief Review,” Computational Intelligence & Neuroscience, págs. 1-13, 2018, issn: 16875265Y. LeCun, Y. Bengio y G. Hinton, “Deep learning,” Nature, vol. 521, págs. 436-444, mayo de 2015, issn: 1476-4687. doi: 10.1038/nature14539. dirección: https://doi-org.ezproxy.umng.edu.co/10.1038/nature14539X. Du, Y. Cai, S. Wang y L. Zhang, “Overview of deep learning,” en 2016 31st Youth Academic Annual Conference of Chinese Association of Automation (YAC), nov. de 2016, págs. 159-164. doi: 10.1109/YAC.2016.7804882W. A. Adkins y M. G. Davidson, Ordinary Differential Equations. Nueva York, NY, Estados Unidos de América: Springer Science+Business Media, 2012, isbn: 978-1-4614-3618-8. doi: 10.1007/978-1-4614-3618-8. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-1-4614-3618-8I. Goodfellow, Y. Bengio y A. Courville, Deep Learning. MIT Press, 2016, http://www.deeplearningbook.org, última visita: 2020-11-30R. Yamashita, M. Nishio, R. K. G. Do y K. Togashi, “Convolutional neural networks: an overview and application in radiology,” Insights into Imaging, vol. 9, págs. 611-629, ago. de 2018, issn: 1869-4101. doi: 10.1007/s13244-018-0639-9. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s13244-018-0639-9U. Michelucci, Applied Deep Learning. Berkeley, California, Estados Unidos de América: Apress, 2018, isbn: 978-1-4842-3790-8. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-1-4842-3790-8Y. Lecun, L. Bottou, Y. Bengio y P. Haffner, “Gradient-based learning applied to document recognition,” Proceedings of the IEEE, vol. 86, n.o 11, págs. 2278-2324, nov. de 1998, issn: 1558-2256. doi: 10.1109/5.726791A. Krizhevsky, I. Sutskever y G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks.,” Communications of the ACM, vol. 60, n° 6, págs. 84-90, 2017, issn: 00010782. dirección: https://ezproxy.umng.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=bsu& AN=123446102&lang=es&site=eds-liveM. D. Zeiler y R. Fergus, “Visualizing and Understanding Convolutional Networks,” en Computer Vision – ECCV 2014, D. Fleet, T. Pajdla, B. Schiele y T. Tuytelaars, eds., Cham, Suiza: Springer International Publishing, 2014, págs. 818-833, isbn: 978-3-319-10590-1K. Simonyan y A. Zisserman, Very Deep Convolutional Networks for Large-Scale Image Recognition, 2014. arXiv: 1409.1556 [cs.CV]C. Szegedy, Wei Liu, Yangqing Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke y A. Rabinovich, “Going deeper with convolutions,” en 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), jun. de 2015, págs. 1-9. doi: 10.1109/CVPR.2015.7298594K. He, X. Zhang, S. Ren y J. Sun, “Deep Residual Learning for Image Recognition,” en 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), jun. de 2016, págs. 770-778. doi: 10.1109/CVPR.2016.90A. G. Howard, M. Zhu, B. Chen, D. Kalenichenko, W. Wang, T. Weyand, M. Andreetto y H. Adam, “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications,” CoRR, vol. abs/1704.04861, 2017. arXiv: 1704.04861. dirección: http://arxiv.org/abs/1704.04861R. Girshick, J. Donahue, T. Darrell y J. Malik, “Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation,” en 2014 IEEE Conference on Computer Vision and Pattern Recognition, jun. de 2014, págs. 580-587. doi: 10.1109/CVPR.2014.81J. Uijlings, K. Sande, T. Gevers y A. Smeulders, “Selective Search for Object Recognition.,” International Journal of Computer Vision, vol. 104, n° 2, págs. 154-171, 2013, issn: 09205691. dirección: https://ezproxy.umng.edu.co/login?url=http://search.ebscohost.com/login.aspx?direct=true&db=asn&AN=89397633&lang=es&site=eds-liveR. Girshick, “Fast R-CNN,” en 2015 IEEE International Conference on Computer Vision (ICCV), dic. de 2015, págs. 1440-1448. doi: 10.1109/ICCV.2015.169S. Ren, K. He, R. Girshick y J. Sun, “Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks,” 6, vol. 39, jun. de 2017, págs. 1137-1149. doi: 10.1109/TPAMI.2016.2577031W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.-Y. Fu y A. C. Berg, “SSD: Single Shot MultiBox Detector,” en Computer Vision – ECCV 2016, B. Leibe, J. Matas, N. Sebe y M. Welling, eds., Cham, Suiza: Springer International Publishing, 2016, págs. 21-37, isbn: 978-3-319-46448-0J. Redmon, S. Divvala, R. Girshick y A. Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” págs. 779-788, jun. de 2016, issn: 1063-6919. doi: 10.1109/CVPR.2016.91J. Redmon y A. Farhadi, “YOLO9000: Better, Faster, Stronger,” arXiv e-prints, arXiv:1612.08242, arXiv:1612.08242, dic. de 2016. arXiv: 1612.08242 [cs.CV]J. Redmon y A. Farhadi, “YOLOv3: An Incremental Improvement,” arXiv e-prints, arXiv:1804.02767, arXiv:1804.02767, abr. de 2018. arXiv: 1804.02767P. Adarsh, P. Rathi y M. Kumar, “YOLO v3-Tiny: Object Detection and Recognition using one stage improved model,” en 2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS), mar. de 2020, págs. 687-694. doi: 10.1109/ICACCS48705.2020.9074315A. Bochkovskiy, C.-Y. Wang y H.-Y. M. Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” arXiv e-prints, arXiv:2004.10934, arXiv:2004.10934, abr. de 2020. arXiv: 2004.10934 [cs.CV]Z. Jiang, L. Zhao, S. Li e Y. Jia, “Real-time object detection method based on improved YOLOv4-tiny,” arXiv e-prints, arXiv:2011.04244, arXiv:2011.04244, nov. de 2020. arXiv: 2011.04244 [cs.CV]K. He, G. Gkioxari, P. Dollár y R. Girshick, “Mask R-CNN,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 42, n.o 2, págs. 386-397, feb. de 2020, issn: 1939-3539. doi: 10.1109/TPAMI.2018.2844175M. J. Shafiee, B. Chywl, F. Li y A. Wong, “Fast YOLO: A Fast You Only Look Once System for Real-time Embedded Object Detection in Video,” CoRR, vol. abs/1709.05943, 2017. arXiv: 1709.05943. dirección: http://arxiv.org/abs/1709. 05943C. Shorten y T. M. Khoshgoftaar, “A survey on Image Data Augmentation for Deep Learning,” Journal of Big Data, vol. 6, pág. 60, jul. de 2019, issn: 2196-1115. doi: 10.1186/s40537-019-0197-0. dirección: https://doi-org.ezproxy.umng.edu.co/10.1186/s40537-019-0197-0“Batch Learning,” en Encyclopedia of Machine Learning, C. Sammut y G. I. Webb, eds. Boston, MA: Springer US, 2010, págs. 74-74, isbn: 978-0-387-30164-8. doi: 10.1007/978-0-387-30164-8_58. dirección: https://doi.org/10.1007/978-0- 387-30164-8_58J. Huang, V. Rathod, C. Sun, M. Zhu, A. Korattikara, A. Fathi, I. Fischer, Z. Wojna, Y. Song, S. Guadarrama y K. Murphy, “Speed/Accuracy Trade-Offs for Modern Convolutional Object Detectors,” págs. 3296-3297, jul. de 2017, issn: 1063-6919. doi: 10.1109/CVPR.2017.351J. Redmon, Darknet: Open Source Neural Networks in C, http://pjreddie.com/darknet/, 2013-2016M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn y A. Zisserman, “The Pascal Visual Object Classes (VOC) Challenge,” International Journal of Computer Vision, vol. 88, págs. 303-338, jun. de 2010, issn: 1573-1405. doi: 10.1007/s11263-009-0275-4. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/s11263-009-0275-4D. M. W. Powers, “Evaluation: from precision, recall and F-measure to ROC, informedness, markedness and correlation,” arXiv e-prints, arXiv:2010.16061, arXiv:2010.16061, oct. de 2020. arXiv: 2010.16061 [cs.LG]C. Goutte y E. Gaussier, “A Probabilistic Interpretation of Precision, Recall and F-Score, with Implication for Evaluation,” en Advances in Information Retrieval, D. E. Losada y J. M. Fernández-Luna, eds., Berlin, Heidelberg, Alemania: Springer Berlin Heidelberg, 2005, págs. 345-359, isbn: 978-3-540-31865-1. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-540-31865-1_25T. Skopal y P. Moravec, “Modified LSI Model for Efficient Search by Metric Access Methods,” en Advances in Information Retrieval, J. M. Losada David E.and Fernández-Luna, ed., Berlin, Heidelberg, Alemania: Springer Berlin Heidelberg, 2005, págs. 245-259, isbn: 978-3-540-31865-1. dirección: https://doi-org.ezproxy.umng.edu.co/10.1007/978-3-540-31865-1_18S. M. Beitzel, E. C. Jensen y O. Frieder, “MAP,” en Encyclopedia of Database Systems, L. LIU y M. T. ÖZSU, eds. Boston, MA: Springer US, 2009, págs. 1691-1692, isbn: 978-0-387-39940-9. doi: 10.1007/978-0-387-39940-9_492. dirección: https://doi.org/10.1007/978-0-387-39940-9_492Calle 100ORIGINALGomezAlvaradoDiegoFelipe2021.pdfGomezAlvaradoDiegoFelipe2021.pdfTrabajo de gradoapplication/pdf48101467http://repository.unimilitar.edu.co/bitstream/10654/38471/1/GomezAlvaradoDiegoFelipe2021.pdfcf16d8e764d8ee06ce439433e42379e9MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-83420http://repository.unimilitar.edu.co/bitstream/10654/38471/2/license.txta609d7e369577f685ce98c66b903b91bMD52THUMBNAILGomezAlvaradoDiegoFelipe2021.pdf.jpgGomezAlvaradoDiegoFelipe2021.pdf.jpgIM Thumbnailimage/jpeg5507http://repository.unimilitar.edu.co/bitstream/10654/38471/3/GomezAlvaradoDiegoFelipe2021.pdf.jpg26e6dc4658801aeb35daf9207d3ea359MD5310654/38471oai:repository.unimilitar.edu.co:10654/384712021-08-13 01:03:23.029Repositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Reconocimiento de objetos utilizando técnicas de aprendizaje profundo

Publicaciones similares