Mostrar o rexistro simple do ítem

dc.contributor.authorGalán-Cuenca, Álvaro
dc.contributor.authorVázquez-Martín, Ricardo
dc.contributor.authorMandow, Anthony
dc.contributor.authorMorales, Jesús
dc.contributor.authorGarcía-Cerezo, Alfonso
dc.date.accessioned2021-08-26T09:59:32Z
dc.date.available2021-08-26T09:59:32Z
dc.date.issued2021
dc.identifier.citationGalán-Cuenca, A., Vázquez-Martín, R., Mandow, A., Morales, J., García-Cerezo, A. Análisis de técnicas de aumento de datos y entrenamiento en YOLOv3 para detección de objetos en imágenes RGB y TIR del UMA-SAR Dataset. En XLII Jornadas de Automática: libro de actas. Castelló, 1-3 de septiembre de 2021 (pp. 686-694). DOI capítulo: https://doi.org/10.17979/spudc.9788497498043.686 DOI libro: https://doi.org/10.17979/spudc.9788497498043es_ES
dc.identifier.isbn978-84-9749-804-3
dc.identifier.urihttp://hdl.handle.net/2183/28378
dc.description.abstract[Resumen] El uso de imágenes de los espectros visible (RGB) e infrarrojo térmico (TIR) para la detección de objetos puede resultar crucial en aplicaciones donde las condiciones de visibilidad están limitadas, como la robótica para búsqueda y rescate en catástrofes. Para ello resulta beneficioso analizar cómo las técnicas de aprendizaje profundo basadas en redes neuronales convolucionales (CNN) pueden aplicarse a ambas modalidades. En este artículo se analizan diferentes configuraciones y parámetros para el entrenamiento de CNN tanto para imágenes térmicas como para imágenes equivalentes del espectro visible. En concreto, se aborda el problema del sobre-entrenamiento para determinar una configuración eficaz de técnicas de aumento de datos y parada temprana. El caso de estudio se ha realizado con la red de código abierto YOLOv3, pre-entrenada con el dataset RGB COCO y optimizada (o re-entrenada) con el conjunto público de datos UMA-SAR dataset, que incluye pares de imágenes RGB y TIR obtenidas en ejercicios realistas de rescate.es_ES
dc.description.abstract[Abstract] The combination of imaging of visible (RGB) and thermal infrared (TIR) modalities can be crucial for object detection in applications where visibility conditions are limited, such as search and rescue robotics. For this, it is beneficial to analyze how deep learning techniques based on convolutional neural networks (CNN) can be applied to these modalities. This article discusses different settings and parameters for CNN training for two equivalent sets of thermal and RGB images. Specifically, we address the problem of overfitting and determine an effective configuration of data augmentation and early stop techniques. The case study has been carried out with the open source network YOLOv3, pre-trained with the RGB COCO dataset, and optimised with the UMA-SAR dataset, which includes pairs of RGB and TIR images obtained in realistic rescue exercises.es_ES
dc.language.isospaes_ES
dc.publisherUniversidade da Coruña, Servizo de Publicaciónses_ES
dc.relation.urihttps://doi.org/10.17979/spudc.9788497498043.686es_ES
dc.rightsAtribución-NoComercial-CompartirIgual 4.0 Internacional https://creativecommons.org/licenses/by-nc-sa/4.0/deed.eses_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-sa/3.0/es/*
dc.subjectVisión por computadores_ES
dc.subjectAprendizaje profundoes_ES
dc.subjectRedes neuronales convolucionaleses_ES
dc.subjectYOLOes_ES
dc.subjectImágenes térmicases_ES
dc.subjectComputer visiones_ES
dc.subjectDeep learninges_ES
dc.subjectConvolutional neural networkses_ES
dc.subjectThermal imaginges_ES
dc.titleAnálisis de técnicas de aumento de datos y entrenamiento en YOLOv3 para detección de objetos en imágenes RGB y TIR del UMA-SAR Datasetes_ES
dc.typeinfo:eu-repo/semantics/conferenceObjectes_ES
dc.rights.accessinfo:eu-repo/semantics/openAccesses_ES
UDC.startPage686es_ES
UDC.endPage694es_ES
dc.identifier.doihttps://doi.org/10.17979/spudc.9788497498043.686
UDC.conferenceTitleXLII Jornadas de Automáticaes_ES


Ficheiros no ítem

Thumbnail
Thumbnail

Este ítem aparece na(s) seguinte(s) colección(s)

Mostrar o rexistro simple do ítem