Compartir
Titolo
Sistema de reconocimiento de patrones en imágenes satelitales para la detección de objetos
Autor(es)
Director(es)
Soggetto
Reconocimiento de patrones
Detección de objetos
Imágenes satelitales
Algoritmos de aprendizaje profundo
Pattern recognition
Object detection
Satellite images
Deep learning algorithms
Fecha de publicación
2023-07
Resumen
[ES]A lo largo de los últimos años, la inteligencia artificial (IA) ha experimentado un
avance significativo en la detección de objetos en imágenes. La aplicación de técnicas
de aprendizaje profundo y de machine learning ha revolucionado la capacidad de los
algoritmos para identificar y localizar objetos en una variedad de entornos visuales.
En este artículo, se presenta un estudio detallado sobre la detección de objetos
en imágenes satelitales utilizando la arquitectura YOLO (You Only Look Once). Se
realiza el proceso de entrenamiento de varios modelos YOLO utilizando un conjunto
de datos específico, con el objetivo de comparar y analizar los resultados obtenidos.
La investigación comienza con un marco teórico que aborda los conceptos clave
de la IA, el deep learning y el machine learning, y se enfoca en las arquitecturas más
destacadas para la detección de objetos en imágenes. Se destacan las características,
las ventajas y la evolución de los modelos YOLO en particular, y se establece una
base sólida para comprender el entrenamiento y evaluación de los algoritmos en el
caso de estudio.
A continuación, se presenta un caso de estudio en el cual se detalla el proceso
de entrenamiento de cada algoritmo YOLO paso a paso. Se describen las configura ciones utilizadas, el conjunto de datos empleados y los métodos de evaluación para
garantizar la precisión y la eficiencia en la detección de objetos.
Finalmente, se presentan y analizan los resultados obtenidos al comparar los
diferentes algoritmos YOLO entrenados. [EN]Over recent years, artificial intelligence (AI) has made significant strides in object
detection within images. The application of deep learning techniques and machine
learning has revolutionized the ability of algorithms to identify and locate objects in
a variety of visual environments. In this paper, a detailed study on object detection
in satellite images using the YOLO (You Only Look Once) architecture is presented.
The training process of various YOLO models using a specific dataset is carried out,
with the aim of comparing and analyzing the results obtained.
The research begins with a theoretical framework that addresses the key con cepts of AI, deep learning, and machine learning, focusing on the most prominent
architectures for object detection in images. The features, advantages, and evolution
of YOLO models in particular are highlighted, and a solid foundation is established
to understand the training and evaluation of algorithms in the case study.
Next, a case study is presented in which the training process of each YOLO
algorithm is detailed step by step. The settings used, the datasets employed, and
the evaluation methods to ensure accuracy and efficiency in object detection are
described.
Finally, the results obtained when comparing the different trained YOLO algo rithms are presented and analyze
Descrizione
Trabajo Fin de Máster. Máster Universitario en sistemas inteligentes. Curso académico 2022-2023.
URI
Aparece en las colecciones