Detección de objetos en imágenes mediante aprendizaje sin ejemplos

Mostrar todas las versiones(2)

Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.

Guardado en:
Detalles Bibliográficos
Autor principal: Urquiza Toledo, Agustín Horacio
Otros Autores: Sánchez, Jorge Adrián
Formato: bachelorThesis
Lenguaje:Español
Publicado: 2022
Materias:
Aprendizaje automático sin ejemplos
Aprendizaje profundo
Computer vision problems
Object detection
Deep learning
Zero-shot object detection
Acceso en línea:http://hdl.handle.net/11086/23248
Aporte de:
Repositorio Digital Universitario (UNC) de Universidad Nacional de Córdoba
id I10-R141-11086-23248
record_format dspace
spelling I10-R141-11086-232482023-08-31T13:19:16Z Detección de objetos en imágenes mediante aprendizaje sin ejemplos Urquiza Toledo, Agustín Horacio Sánchez, Jorge Adrián Aprendizaje automático sin ejemplos Aprendizaje profundo Computer vision problems Object detection Deep learning Zero-shot object detection Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021. Fil: Urquiza Toledo. Agustín Horacio. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. En el año 2010 surgió la llamada “revolución” del aprendizaje profundo, y con esto, los métodos capaces de detectar objetos en una imagen progresaron considerablemente. Estos algoritmos o modelos fueron mejorando en cada año, hasta hoy en día, que alcanzaron un excelente rendimiento e innumerables aplicaciones. Pero estos poseen una limitación, necesitan tener una gran cantidad de imágenes anotadas, que en algunos casos resulta inviable. Para resolver este problema surgieron técnicas cómo la detección de objetos sin ejemplos (ZSD) por sus siglas en inglés Zero-shot Object Detection. Este es un problema de investigación recientemente propuesto, que tiene como objetivo localizar y reconocer simultáneamente objetos de clases nunca antes vistas. Para suplir la falta de ejemplos de entrenamiento de algunas clases, se combinan distintos atributos de las imágenes y de las clases para inferir los objetos novedosos. Generalmente, se proponen modelos de ZSD como una combinación de características visuales y descripciones semánticas, aprendiendo un mapeo visual-semántico. In 2010 the deep learning revolution started and made possible the development of methods that are able to detect objects contained in images. These algorithms were improved with the years, and nowadays, they have achieved excellent performance and a great number of applications. However, these methods still have some limitations, mostly related to the great number of tagged images that need to be considered, which in some cases are impossible to obtain. In order to solve this problem, several techniques have been developed, such as the zero shoot detection (ZSD). This method has been recently proposed and aims to simultaneously localize and recognize objects of unseen classes. In order to compensate for the lack of ``examples of training'' of some classes, different attributes of the images and the classes are combined to infer the new objects. In general, ZSD models are designed as a combination of visual characteristics and semantic descriptions, which make it possible to learn a visual-semantic mapping. Fil: Urquiza Toledo. Agustín Horacio. Universidad Nacional de Córdoba. Facultad de Matemática, Astronomía, Física y Computación; Argentina. 2022-03-15T11:55:36Z 2022-03-15T11:55:36Z 2021 bachelorThesis http://hdl.handle.net/11086/23248 spa Atribución-CompartirIgual 4.0 Internacional http://creativecommons.org/licenses/by-sa/4.0/
institution Universidad Nacional de Córdoba
institution_str I-10
repository_str R-141
collection Repositorio Digital Universitario (UNC)
language Español
topic Aprendizaje automático sin ejemplos
Aprendizaje profundo
Computer vision problems
Object detection
Deep learning
Zero-shot object detection
spellingShingle Aprendizaje automático sin ejemplos
Aprendizaje profundo
Computer vision problems
Object detection
Deep learning
Zero-shot object detection
Urquiza Toledo, Agustín Horacio
Detección de objetos en imágenes mediante aprendizaje sin ejemplos
topic_facet Aprendizaje automático sin ejemplos
Aprendizaje profundo
Computer vision problems
Object detection
Deep learning
Zero-shot object detection
description Tesis (Lic. en Cs. de la Computación)--Universidad Nacional de Córdoba, Facultad de Matemática, Astronomía, Física y Computación, 2021.
author2 Sánchez, Jorge Adrián
author_facet Sánchez, Jorge Adrián
Urquiza Toledo, Agustín Horacio
format bachelorThesis
author Urquiza Toledo, Agustín Horacio
author_sort Urquiza Toledo, Agustín Horacio
title Detección de objetos en imágenes mediante aprendizaje sin ejemplos
title_short Detección de objetos en imágenes mediante aprendizaje sin ejemplos
title_full Detección de objetos en imágenes mediante aprendizaje sin ejemplos
title_fullStr Detección de objetos en imágenes mediante aprendizaje sin ejemplos
title_full_unstemmed Detección de objetos en imágenes mediante aprendizaje sin ejemplos
title_sort detección de objetos en imágenes mediante aprendizaje sin ejemplos
publishDate 2022
url http://hdl.handle.net/11086/23248
work_keys_str_mv AT urquizatoledoagustinhoracio detecciondeobjetosenimagenesmedianteaprendizajesinejemplos
_version_ 1782014617210322944

Ejemplares similares