|
|
|
|
| LEADER |
00000nam a2200000 a 4500 |
| 003 |
AR-LpUFIB |
| 005 |
20250311170453.0 |
| 008 |
230201s2019 ag a rm 000 0 spa d |
| 024 |
8 |
|
|a DIF-M7787
|b 8004
|z DIF007116
|
| 040 |
|
|
|a AR-LpUFIB
|b spa
|c AR-LpUFIB
|
| 100 |
1 |
|
|a Camele, Genaro
|
| 245 |
1 |
0 |
|a Detección de peatones en video usando algoritmos de aprendizaje automático
|
| 260 |
|
|
|c 2019
|
| 300 |
|
|
|a v; 73 p. :
|b il. col. +
|e 1 DVD
|
| 502 |
|
|
|a Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2019.
|
| 505 |
0 |
|
|a 1. Introducción -- 1.1. Resumen -- 1.2. Motivación -- 1.3. Objetivos -- 1.4. Organización del documento -- 2. Visión por computadora -- 2.1. Conceptos básicos -- 2.1.1. Sistemas de representación -- 2.1.2. Escala de grises -- 2.1.3. RGB -- 2.2. Descriptores -- 2.2.1. Histograma de gradientes orientados -- 2.2.2. Patrón binario local -- 2.3. Modelos de clasificación -- 2.3.1. Máquinas de vectores de soporte (SVM) -- 2.3.2. Redes neuronales -- 2.4. Clasificación de peatones -- 2.5. Detección de peatones -- 2.5.1. Ventanas deslizantes -- 2.5.2. Imagen en pirámide -- 2.5.3. Intersección sobre la unión (Intersection Over Unión) -- 2.5.4. Supresión no máxima -- 2.5.5. Seguimiento (Tracking) -- 2.5.6. Hard Negative Mining -- 2.6. Métricas -- 3. Deep Learning -- 3.1. Redes neuronales biológicas -- 3.2. Redes neuronales artificiales -- 3.3. Perceptrón -- 3.4. Neuronas Sigmoideas -- 3.5. Redes Feedforward -- 3.6. Backpropagation -- 3.6.1. Función de error -- 3.6.2. Gradiente descendente -- 3.6.3. Algoritmo de backpropagation -- 3.6.4. Sobreajuste -- 3.7. Redes neuronales convolucionales -- 3.7.1. Capa Max Pooling en 2D -- 3.7.2. Capa Dropout -- 3.8. Funciones de activacion -- 4. Transferencia de aprendizaje -- 4.1. Datasets -- 4.1.1. INRIA -- 4.1.2. Daimler -- 4.1.3. TUD-Brussels -- 4.1.4. Daimler Mono Pedestrian Detection Benchmark Dataset -- 4.1.5. Generación de ejemplos extra -- 5. Experimentación -- 5.1. Comparación de algoritmos de machine learning -- 5.1.1. Preprocesamiento y parámetros del SVM -- 5.1.2. Resultados con SVM -- 5.1.3. Resultados con Deep Learning -- 5.2. Experimentos de transferencia -- 5.2.1. Resultados de transferencia -- 5.2.2. Conclusión de transferencia -- 6. Conclusión y trabajo a futuro -- 6.1. Conclusiones generales -- 6.2. Líneas de trabajo futuras
|
| 650 |
|
4 |
|a REDES NEURONALES
|
| 650 |
|
4 |
|a APRENDIZAJE AUTOMÁTICO
|
| 653 |
|
|
|a máquinas de vectores de soporte
|
| 700 |
1 |
|
|a Hasperué, Waldo ,
|e Director/a
|
| 700 |
1 |
|
|a Ronchetti, Franco ,
|e Codirector/a
|
| 856 |
4 |
0 |
|u http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2780
|
| 942 |
|
|
|c TE
|
| 952 |
|
|
|0 0
|1 0
|4 0
|6 TES_1901
|7 0
|9 82363
|a DIF
|b DIF
|d 2025-03-11
|i DIF-04771
|l 0
|o TES 19/01
|p DIF-04771
|r 2025-03-11 17:04:53
|w 2025-03-11
|x DV 180
|y TE
|
| 952 |
|
|
|0 0
|1 0
|4 0
|7 3
|8 BD
|9 82364
|a DIF
|b DIF
|d 2025-03-11
|l 0
|r 2025-03-11 17:04:53
|u http://catalogo.info.unlp.edu.ar/meran/getDocument.pl?id=2780
|w 2025-03-11
|y TE
|
| 999 |
|
|
|c 56891
|d 56891
|
