Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/103966
Título : | Human body parts segmentation via stacked and multi-task learning |
Autoría: | Sánchez Abril, Daniel |
Director: | Escalera, Sergio Baró, Xavier |
Resumen : | La segmentación de personas en imágenes RGB ha sido un problema central en el campo de la visión por computador. En esta tesis abordamos el problema mediante hand-crafted features en un pipeline de dos etapas tanto para segmentación binaria como múltiple segmentación de partes del cuerpo. Herramientas tales como Adaboost, SVM, haar-like features, HOG y GraphCuts entre otros. Además, miramos las diferencias entre cascade learning and stacked learning. Finalmente, analizamos cómo combinar diferentes tareas, de modo multimodal, para refinar y mejorar las predicciones de la segmentación de partes del cuerpo con 2D, 3D estimación postura y profundidad. Esta parte está hecha utilizando deep learning. |
Palabras clave : | segmentación partes del cuerpo stacked learning multi-tarea |
Tipo de documento: | info:eu-repo/semantics/doctoralThesis |
Fecha de publicación : | 9-oct-2019 |
Licencia de publicación: | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ |
Aparece en las colecciones: | Tesis doctorals |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
phd_thesis_dani-1.pdf | Sánchez_Abril_dissertation | 13,22 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons