dc.contributor.advisor | Calderon Bocanegra, Francisco Carlos | |
dc.contributor.author | Poullain, Guillaume Gabriel Hervé | |
dc.date.accessioned | 2021-09-23T16:54:17Z | |
dc.date.accessioned | 2023-05-11T17:23:03Z | |
dc.date.available | 2021-09-23T16:54:17Z | |
dc.date.available | 2023-05-11T17:23:03Z | |
dc.date.created | 2019 | |
dc.identifier.uri | https://hdl.handle.net/20.500.12032/107686 | |
dc.description.abstract | Este trabajo de grado presenta un nuevo método utilizando imágenes espacio-temporales para contar y clasificar en nueve objetos-clases, los objetos que cruzan una línea definida en la calle usando redes neuronales convolucionales. En primer lugar, presenta un algoritmo de etiquetado automático de las imágenes espacio-temporales utilizando un algoritmo de código abierto de la "secretaria de movilidad de Bogotá". El algoritmo de etiquetado permite crear un conjunto de datos, para entrenar diferentes redes convoluciones, en particular, redes llamado YOLO. Se presentan los resultados y parámetros de entrenamiento. Los modelos entrenados se utilizan para contar el número de objetos en cada imagen espacio-temporal para realizar el conteo de toda la prueba de video. Este método de conteo se compara con el conteo manual y el algoritmo de código abierto en términos de conteo y también en términos de tiempo de procesamiento. | spa |
dc.format | PDF | spa |
dc.format.mimetype | application/pdf | spa |
dc.language.iso | spa | spa |
dc.publisher | Pontificia Universidad Javeriana | spa |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.subject | Monitoreo del tráfico | spa |
dc.subject | Imágenes espacio - temporales | spa |
dc.subject | Redes neuronales convolucionales | spa |
dc.subject | YOLO | spa |
dc.subject | Visión por computador | spa |
dc.title | Low computational-complexity algorithm for theestimation of traffic parameters using spatio-temporal images and convolutional neural networks for real-time traffic monitoring | spa |