Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/10609/110246
Registro completo de metadatos
Campo DC | Valor | Lengua/Idioma |
---|---|---|
dc.contributor.author | González Hidalgo, Antonio | - |
dc.date.accessioned | 2020-02-25T19:25:42Z | - |
dc.date.available | 2020-02-25T19:25:42Z | - |
dc.date.issued | 2019-06 | - |
dc.identifier.uri | http://hdl.handle.net/10609/110246 | - |
dc.description.abstract | Este TFM presenta un sistema capaz de detectar y clasificar señales de tráfico a partir de imágenes estáticas. El sistema propuesto se basa en dos redes neuronales: una de detección de señales y otra de clasificación. En una primera parte, el trabajo se centra en encontrar los parámetros que ofrecen una mejor precisión para cada una de las CNN. Seguidamente se realiza una serie de ejemplos para comprobar el correcto funcionamiento de las CNN. Se analiza por separado cada CNN y finalmente, se implementa un ejemplo del funcionamiento global del sistema. | es |
dc.description.abstract | Aquest TFM presenta un sistema capaç de detectar i classificar senyals de trànsit a partir d'imatges estàtiques. El sistema proposat es basa en dues xarxes neuronals: una de detecció de senyals i una altra de classificació. En una primera part, el treball se centra en trobar els paràmetres que ofereixen una millor precisió per a cadascuna de les CNN. Seguidament es realitza una sèrie d'exemples per a comprovar el correcte funcionament de les CNN. S'analitza per separat cada CNN i finalment, s'implementa un exemple del funcionament global del sistema. | ca |
dc.description.abstract | This TFM presents a system capable of detecting and classifying traffic signs from static images. The proposed system is based on two neural networks: one for signal detection and one for classification. In the first part, the work is focused on finding the parameters that offer the best accuracy for each of the NNCs. Then, a series of examples are made to check the correct functioning of the CNNs. Each CNN is analyzed separately and finally, an example of the global operation of the system is implemented. | en |
dc.format.mimetype | application/pdf | - |
dc.language.iso | spa | - |
dc.publisher | Universitat Oberta de Catalunya (UOC) | - |
dc.rights | CC BY-NC-ND | - |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/es/ | - |
dc.subject | señales de tráfico | es |
dc.subject | deep learning | en |
dc.subject | Keras | ca |
dc.subject | Keras | es |
dc.subject | Keras | en |
dc.subject | neural networks | en |
dc.subject | redes neuronales | es |
dc.subject | xarxes neuronals | ca |
dc.subject | aprenentatge profund | ca |
dc.subject | aprendizaje profundo | es |
dc.subject | senyals de trànsit | ca |
dc.subject | traffic signs | en |
dc.subject | detección de señales | es |
dc.subject | detecció de senyals | ca |
dc.subject | signal detection | en |
dc.subject.lcsh | Artificial intelligence -- TFM | en |
dc.title | Reconocimiento de señales de tráfico | - |
dc.type | info:eu-repo/semantics/masterThesis | - |
dc.audience.educationlevel | Estudis de Màster | ca |
dc.audience.educationlevel | Estudios de Máster | es |
dc.audience.educationlevel | Master's degrees | en |
dc.subject.lemac | Intel·ligència artificial -- TFM | ca |
dc.subject.lcshes | Inteligencia artificial -- TFM | es |
dc.contributor.director | Ventura, Carles | - |
dc.contributor.tutor | Burguera, Antoni | - |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | - |
Aparece en las colecciones: | Bachelor thesis, research projects, etc. |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
agonzalezhidalgoTFM0619memoria.pdf | Memoria del TFM | 17,53 MB | Adobe PDF | Visualizar/Abrir |
Comparte:
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons