Título: |
Análisis del rendimiento de detectar, clasificar vehículos y pedestres en tiempo continuo con smartphone Android y TensorFlow Lite |
||||
Autor, etc.: |
Orellana Cordero Marcos Patricio. Director de Tesis, Campoverde Quito Wilson Andrés |
||||
Fecha de publicación: |
2019 |
||||
|
Universidad del Azuay -Facultad de Ciencias de la Administración -Escuela de Ingeniería de Sistemas y Telemática |
||||
Número de páginas: |
47 p |
||||
Dimensiones: |
Digital |
||||
Idioma: |
Español |
||||
Tipo de documento: |
documento electrónico |
||||
Tipo de medio: |
Tesis |
||||
Clasificación: |
UDA-BG T15043 |
||||
Palabras claves: |
ANDROID, ARQUITECTURA DE REDES NEURONALES, APRENDIZAJE PROFUNDO, REDES NEURONALES, TENSORFLOW, TENSORFLOW LITE |
||||
Descripción: |
Generalmente, se utilizan personas para conteo manual de vehículos y actores de la movilidad, lo cual resulta costoso. Actualmente, el avance de la tecnología permite utilizar métodos basados en redes neuronales convolucionales a la visión por computadora. El objetivo de este trabajo es conocer el rendimiento de las técnicas actuales en un dispositivo smartphone Android, estas medidas son conocidas en la literatura como precisión y recall. Consecuentemente se analiza la creación de un sistema automático a bajo costo que permita clasificar y contar estos actores del espacio público, usando TensorFlow Lite. Adicionalmente, se reentrena un modelo basado en Single Shot Detector para comparar 2 modelos: el primero por efecto y el segundo re-entrenado. Los resultados reportan un incremento significativo en rendimiento mAP para el modelo, como también mejoran las medidas de precision y recall. |
||||
Link: |
http://dspace.uazuay.edu.ec/handle/datos/9406 | ||||
|
|||||