Please use this identifier to cite or link to this item:

http://hdl.handle.net/10609/99226
Full metadata record
DC FieldValueLanguage
dc.contributor.authorBonnín Hernández, Joan-
dc.date.accessioned2019-07-14T22:27:00Z-
dc.date.available2019-07-14T22:27:00Z-
dc.date.issued2019-06-09-
dc.identifier.urihttp://hdl.handle.net/10609/99226-
dc.description.abstractEl projecte consisteix en la identificació, selecció i avaluació de diferents mètodes i sistemes per a la resolució de dos problemes vigents en el camp de la visió per computador: la detecció i el seguiment d'objectes. Per resoldre-ho s'han estudiat tant solucions clàssiques amb bon rendiment, com les darreres novetats basades en aprenentatge automàtic i aprenentatge profund. Per poder realitzar la comparativa de models, es realitzen una sèrie d'experiments. Aquests experiments es realitzen sobre el conjunt de dades del MOTChallenge, en concret a l'edició del 2017. Per la detecció s'estudien els models DPM, SDP, Mask-RCNN i YOLOv3, mentre que pel seguiment s'estudien CamShift, filtres de correlació i SORT. La combinació de diferents sistemes per resoldre les dues tasques de forma combinada conclou que es disposen de tècniques amb bondats suficients per a l'automatització de la tasca, tot i que les característiques de les imatges a processar afecten directament a la qualitat del resultat. Tot plegat, es defineixen els millors models per escenes generals, però queda patent la necessitat d'avaluar el context i natura de les imatges a tractar per realitzar una correcta selecció i aplicació de models de detecció i seguiment.ca
dc.description.abstractEl proyecto consiste en la identificación, selección y evaluación de diferentes métodos y sistemas para la resolución de dos problemas vigentes en el campo de la visión por computador: la detección y el seguimiento de objetos. Para resolverlo se han estudiado tanto soluciones clásicas con buen rendimiento, como las últimas novedades basadas en aprendizaje automático y aprendizaje profundo. Para poder realizar la comparativa de modelos, se realizan una serie de experimentos. Estos experimentos se realizan sobre el conjunto de datos del MOTChallenge, en concreto a la edición de 2017. Para la detección se estudian los modelos DPM, SDP, Mask-RCNN y YOLOv3, mientras que el seguimiento se estudian CamShift, filtros de correlación y SUERTE. La combinación de diferentes sistemas para resolver las dos tareas de forma combinada concluye que se disponen de técnicas con bondades suficientes para la automatización de la tarea, aunque las características de las imágenes a procesar afectan directamente a la calidad del resultado. Todo ello, se definen los mejores modelos para escenas generales, pero queda patente la necesidad de evaluar el contexto y naturaleza de las imágenes a tratar para realizar una correcta selección y aplicación de modelos de detección y seguimiento.es
dc.description.abstractThe project consists in the identification, selection and evaluation of different methods and systems for solving two current problems in the computer's vision field: object detection and object tracking. To solve both tasks, we've studied classical solutions with a well-known good performance and the latest approaches based on machine learning and deep learning. In order to make a comparison between models, a set of experiments has been done. Those experiments are built over the dataset of MOTChallenge, specifically 2017 edition. For the detection task the studied models are: DPM, SDP, Mask-RCNN and YOLOv3. For the tracking task the studied models are: CamShift, correlation filters and SORT. The combination between different systems to solve both tasks, aims to the fact we actually have the required techniques to automatize of the tasks. Even that, the characteristics of the images to process directly affect the results' quality. To sum up, we define the best models for general scenes, but it's crystal clear that there exists the need of evaluating the context and characteristics of the scene to decide which model to use.en
dc.format.mimetypeapplication/pdf-
dc.language.isocat-
dc.publisherUniversitat Oberta de Catalunya (UOC)-
dc.rightsCC BY-NC-ND-
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectvisió per computadorca
dc.subjectcomputer visionen
dc.subjectvisión por ordenadores
dc.subjectintel·ligència artificialca
dc.subjectartificial intelligenceen
dc.subjectinteligencia artificiales
dc.subjectaprenentatge automàticca
dc.subjectaprendizaje automáticoes
dc.subjectmachine learningen
dc.subjectdetección de objetoses
dc.subjectobject detectionen
dc.subjectdetecció d'objectesca
dc.subjectseguiment d'objectesca
dc.subjectobject trackingen
dc.subjectseguimiento de objetoses
dc.subject.lcshArtificial intelligence -- TFMen
dc.titleDetecció d'objectes a seqüències de vídeo-
dc.typeinfo:eu-repo/semantics/masterThesis-
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelMaster's degreesen
dc.subject.lemacIntel·ligència artificial -- TFMca
dc.subject.lcshesInteligencia artificial -- TFMes
dc.contributor.directorCasas Roma, Jordi-
dc.contributor.tutorMoyà Alcover, Gabriel-
dc.rights.accessRightsinfo:eu-repo/semantics/openAccess-
Appears in Collections:Bachelor thesis, research projects, etc.

Files in This Item:
File Description SizeFormat 
joanbonninTFM0619memòria.pdfMemòria del TFM8.67 MBAdobe PDFView/Open

This item is licensed under a Creative Commons License Creative Commons