Identificador persistente para citar o vincular este elemento: http://hdl.handle.net/10553/41983
Campo DC Valoridioma
dc.contributor.advisorGuerra Artal, Cayetanoes
dc.contributor.authorHormigo Ruiz, Danieles
dc.date.accessioned2018-09-20T08:37:23Z-
dc.date.available2018-09-20T08:37:23Z-
dc.date.issued2017en_US
dc.identifier.urihttp://hdl.handle.net/10553/41983-
dc.descriptionMáster Universitario en Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (MUSIANI)en_US
dc.description.abstractLocalizar la carretera en una imagen usada en aplicaciones de conducción autónoma es fundamental para que los vehículos autónomos sean más seguros, más robustos y fiables. La segmentación semántica de imágenes es una técnica que clasifica píxel a píxel una imagen, proporcionando información precisa sobre la ubicación de muchos tipos de objetos en una imagen. Para lograr el objetivo de mejorar la localización de la carretera, en este Trabajo Final de Máster presentamos la aplicación de una técnica de vanguardia en el campo de la visión por computador para clasificar píxeles a píxel para detectar dónde está la carretera en una imagen. Esta técnica se denomina Redes Neuronales Completamente Convolutivas (FCN por sus siglas en inglés)…en_US
dc.description.abstractTo locate the road into an image for self-driving applications is essential to become the autonomous driving cars safer, more robust and reliable. Image semantic segmentation is a technique that classify pixel by pixel one image, providing accurate information about the location of many kind of objects into an image. In order to achieve the goal of improving the road localization, in this Master Thesis we present the application of a cutting-edge technique, in the field of computer vision, to classify pixel by pixel to detect where the road is into an image. This technique is called Fully Convolutional Neural Networks...en_US
dc.languagespaen_US
dc.subject1203 Ciencia de los ordenadoresen_US
dc.subject3304 Tecnología de los ordenadoresen_US
dc.subject.otherRedes neuronaleses
dc.subject.otherInteligencia artificiales
dc.subject.otherVisión por computadores
dc.subject.otherFully Convolutional Neural Networkses
dc.subject.otherRedes Neuronales Convolutivases
dc.subject.otherSegmentación semánticaes
dc.titleAplicación de Fully convolutional Neural Networks para segmentación semántica de imágenes para aplicaciones de conducción autónomaes
dc.title.alternativeApplication of Fully Convolutional Neural Networks for semantic segmentation of Images for autonomous driving applicationsen_US
dc.typeinfo:eu-repo/semantics/masterThesisen_US
dc.typeMasterThesisen_US
dc.contributor.centroInstituto Universitario de Sistemas Inteligentes y Aplicaciones Numéricas en Ingeniería (SIANI)en_US
dc.contributor.departamentoDepartamento de Informática Y Sistemases
dc.investigacionIngeniería y Arquitecturaen_US
dc.type2Trabajo final de másteren_US
dc.utils.revisionen_US
dc.identifier.matriculaTFT-46352es
dc.identifier.ulpgcen_US
dc.contributor.buulpgcBU-INFes
dc.contributor.titulacionMáster Universitario en Sistemas Inteligentes y Aplicaciones Numéricas en Ingenieríaes
item.grantfulltextopen-
item.fulltextCon texto completo-
crisitem.advisor.deptGIR SIANI: Inteligencia Artificial, Redes Neuronales, Aprendizaje Automático e Ingeniería de Datos-
crisitem.advisor.deptIU Sistemas Inteligentes y Aplicaciones Numéricas-
crisitem.advisor.deptDepartamento de Informática y Sistemas-
Colección:Trabajo final de máster
miniatura
Memoria
Adobe PDF (22,65 MB)
Vista resumida

Visitas

263
actualizado el 15-jul-2023

Descargas

533
actualizado el 15-jul-2023

Google ScholarTM

Verifica


Comparte



Exporta metadatos



Los elementos en ULPGC accedaCRIS están protegidos por derechos de autor con todos los derechos reservados, a menos que se indique lo contrario.