Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.

Bobadilla Ramos, Juan Manuel

Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.

dc.contributor.advisor	Soto Marrufo, Ángel Israel
dc.contributor.author	Bobadilla Ramos, Juan Manuel
dc.date.accessioned	2022-12-14T16:19:40Z
dc.date.available	2022-12-14T16:19:40Z
dc.date.issued	2021-11
dc.description	Determinar si existen diferencias significativas entre el desempeño de un algoritmo (basado en deep learning) de detección de señales viales, entrenado sobre un conjunto de datos enteramente locales en contraste con uno entrenado sobre datos no locales, es importante debido al tema de seguridad que implica, especialmente porque un tercio de los accidentes ocurren en las intersecciones de las vialidades. Para ello, se propone recopilar información de manera local y conformar un conjunto de datos de señales de alto y luces de semáforo, las ubicadas en intersecciones, para entrenar un algoritmo del tipo Faster RCNN (utilizando TensorFlow) con los datos recopilados localmente y los conjuntos de datos utilizados como benchmark en reconocimiento de luces de semáforo y señales de tráfico. Una vez concluidos los entrenamientos, se observan los resultados de sus funciones de pérdida, lo que permite contrastar el desempeño de cada conjunto de entrenamiento sobre el conjunto de validación. Estos resultados, a su vez, permiten observar que las diferencias entre las funciones de pérdida resultantes se encuentran en el mismo orden. Debido a la gran variedad de señales de tráfico ya que no todas quedaban dentro de las señales de interés para el desarrollo del proyecto, se excluyó la gran mayoría de estas, muchas de ellas señales sin equivalentes en los conjuntos utilizados como benchmark. Sin embargo, los resultados obtenidos, y debido a su relevancia en cuestiones de seguridad en conducción autónoma, tienen valor para la determinación de continuar o iniciar con la recopilación de datos de más fuentes.	es_MX
dc.description.abstract	Determinar si existen diferencias significativas entre el desempeño de un algoritmo (basado en deep learning) de detección de señales viales, entrenado sobre un conjunto de datos enteramente locales en contraste con uno entrenado sobre datos no locales, es importante debido al tema de seguridad que implica, especialmente porque un tercio de los accidentes ocurren en las intersecciones de las vialidades. Para ello, se propone recopilar información de manera local y conformar un conjunto de datos de señales de alto y luces de semáforo, las ubicadas en intersecciones, para entrenar un algoritmo del tipo Faster RCNN (utilizando TensorFlow) con los datos recopilados localmente y los conjuntos de datos utilizados como benchmark en reconocimiento de luces de semáforo y señales de tráfico. Una vez concluidos los entrenamientos, se observan los resultados de sus funciones de pérdida, lo que permite contrastar el desempeño de cada conjunto de entrenamiento sobre el conjunto de validación. Estos resultados, a su vez, permiten observar que las diferencias entre las funciones de pérdida resultantes se encuentran en el mismo orden. Debido a la gran variedad de señales de tráfico ya que no todas quedaban dentro de las señales de interés para el desarrollo del proyecto, se excluyó la gran mayoría de estas, muchas de ellas señales sin equivalentes en los conjuntos utilizados como benchmark. Sin embargo, los resultados obtenidos, y debido a su relevancia en cuestiones de seguridad en conducción autónoma, tienen valor para la determinación de continuar o iniciar con la recopilación de datos de más fuentes.	es_MX
dc.description.video	http://erecursos.uacj.mx/bitstream/handle/20.500.11961/6481/Tesis%5b11867%5d.pdf?sequence=1&isAllowed=y
dc.identifier.uri	http://hdl.handle.net/20.500.11961/6481
dc.language.iso	spa	es_MX
dc.publisher	Universidad Autónoma de Ciudad Juárez	es_MX
dc.relation.ispartof	Maestría en Ingeniería en Manufactura	es
dc.relation.ispartof	Departamento de Ingeniería Industrial y Manufactura	es
dc.relation.ispartof	Instituto de Ingeniería y Tecnología	es
dc.rights	Atribución-NoComercial-SinDerivadas 2.5 México	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/2.5/mx/	*
dc.subject	Faster R-CNN	es_MX
dc.subject	TensorFlow	es_MX
dc.subject	Deep learning	es_MX
dc.subject	Señal vial	es_MX
dc.subject	Conducción autónoma	es_MX
dc.subject.other	info:eu-repo/classification/cti/7	es_MX
dc.title	Evaluación de un algoritmo “Faster R-CNN” entrenado sobre un conjunto de datos locales para la detección de señales de tráfico.	es_MX
dc.type	Tesis maestría	es_MX
dcrupi.departamento	Departamento de Ingeniería Industrial y Manufactura	es
dcrupi.instituto	Instituto de Ingeniería y Tecnología	es
dcrupi.programa-academico	Maestría en Ingeniería en Manufactura	es
dcterms.thumbnail	http://ri.uacj.mx/vufind/thumbnails/pi-iit-maestria.png	es