Por favor, use este identificador para citar o enlazar este ítem: http://hdl.handle.net/10609/150314
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.contributor.authorDeniz Pedreira, Leroy-
dc.contributor.otherSolé-Ribalta, Albert-
dc.coverage.spatialLasarte-
dc.date.accessioned2024-04-29T19:06:58Z-
dc.date.available2024-04-29T19:06:58Z-
dc.date.issued2023-06-23-
dc.identifier.urihttp://hdl.handle.net/10609/150314-
dc.description.abstractMobile underwater robotics has made it easier for humans to perform, and sometimes allowed humans, to carry out tasks of analysis and recognition in underwater environments. With the advanced leaps in technology in recent years, better technological resources have become accessible and a greater computing capacity has significantly improved Autonomous Underwater Vehicle (AUV), resulting in the acquisition of a vast amount of information provided by images taken by these devices. However, it is common in underwater environments that the conditions for capturing images are not optimal. As a result, there are a series of inconveniences, sometimes associated with the use of artificial light sources, ranging from excess lighting and even saturation or attenuation with distance, to loss of color depending on frequency. This work investigates techniques for automatic optimization of underwater images, including analysis, design, implementation, and evaluation. It involves the analysis of various deep learning architectures which, with the appropriate configuration and training, enable the models obtained to generate a considerable improvement in the original images. The ultimate goal is the design of a deep learning model capable of improving the quality of distorted underwater images, obtaining uniform, sharp and realistic results.en
dc.description.abstractLa robótica móvil submarina ha facilitado a los humanos, y en ocasiones permitido, la realización de tareas de análisis y reconocimiento de espacios subacuáticos. Con los saltos de avanzada de la tecno- logía en los últimos años, se consigue el acceso a mejores recursos tecnológicos y una gran capacidad de computación, mejorando significativamente los vehículos autónomos submarinos (en inglés, Autono- mous Underwater Vehicles, AUV), dando lugar a la obtención de una enorme cantidad de información proporcionada por las imágenes tomadas por estos dispositivos. Sin embargo, es común que en entornos submarinos las condiciones para la captura de imágenes no sean óptimas. A raíz de esto, existen una serie de inconvenientes, en ocasiones asociados al uso de fuentes lumínicas artificiales, que van desde el exceso de iluminación, e incluso saturación o atenuación con la distancia, hasta la pérdida de color en función de la frecuencia. Este trabajo tiene como línea de investigación el análisis, diseño, implementación y evaluación de técnicas de optimización automática de imágenes submarinas. Consiste en el análisis de diversas arqui- tecturas de deep learning que, con la configuración y el entrenamiento adecuado, los modelos obtenidos sean capaces de generar una mejora considerable en las imágenes originales. El objetivo final es el diseño de un modelo de deep learning capaz de mejorar la calidad de las imágenes submarinas distorsionadas, obteniendo así resultados uniformes, nítidos y reales.es
dc.format.mimetypeapplication/pdfca
dc.language.isospaes
dc.publisherUniversitat Oberta de Catalunya (UOC)ca
dc.rightshttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Spain*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/-
dc.subjectimage analysisen
dc.subjectanálisis de imágeneses
dc.subjectunderwater environmentsen
dc.subjectentornos submarinoses
dc.subjectconvolutional neural networksen
dc.subjectredes neuronales convolucionaleses
dc.subjectmachine learningen
dc.subjectaprendizaje automáticoes
dc.subjectdeep learningen
dc.subjectaprendizaje profundoes
dc.subjectautoencodersca
dc.subjectautoencodersca
dc.subject.lcshMachine learning -- TFMen
dc.titleMejora de imágenes submarinas mediante deep learningca
dc.typeinfo:eu-repo/semantics/masterThesisca
dc.audience.educationlevelEstudis de Màsterca
dc.audience.educationlevelEstudios de Másteres
dc.audience.educationlevelEstudios de Másteren
dc.subject.lemacAprenentatge automàtic -- TFMca
dc.contributor.tutorBurguera, Antoni-
Aparece en las colecciones: Bachelor thesis, research projects, etc.

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
leroyTFM0623memoria.pdfMemoria del TFM85,64 MBAdobe PDFVista previa
Visualizar/Abrir