Análisis del rendimiento de detectar, clasificar vehículos y pedestres en tiempo continuo con smartphone Android y TensorFlow Lite

Análisis del rendimiento de detectar, clasificar vehículos y pedestres en tiempo continuo con smartphone Android y TensorFlow Lite

Orellana Cordero Marcos Patricio. Director de Tesis, Campoverde Quito Wilson Andrés

2019

Universidad del Azuay -Facultad de Ciencias de la Administración -Escuela de Ingeniería de Sistemas y Telemática

47 p

Digital

Español

documento electrónico

Tesis

UDA-BG T15043

ANDROID, ARQUITECTURA DE REDES NEURONALES, APRENDIZAJE PROFUNDO, REDES NEURONALES, TENSORFLOW, TENSORFLOW LITE

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.