Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos

En el presente documento se expone el proceso de desarrollo de un algoritmo del campo de inteligencia artificial de redes neuronales en donde se hace aplicación del deep learning para el reconocimiento de posibles obstáculos en una imagen en un trayecto controlado como objetivo principal.Como primer...

Full description

Autores:
Alfonso García, Brayan Steven
Tipo de recurso:
Fecha de publicación:
2018
Institución:
Universidad Militar Nueva Granada
Repositorio:
Repositorio UMNG
Idioma:
spa
OAI Identifier:
oai:repository.unimilitar.edu.co:10654/17651
Acceso en línea:
http://hdl.handle.net/10654/17651
Palabra clave:
ALGORITMOS GENETICOS
REDES NEURALES (COMPUTADORES)
PROGRAMACION PARALELA (COMPUTADORES ELECTRONICOS)
Deep Learning
Genetic Algorithms
MATLAB
Convolutional Neural Networks
R-CNN
Machine Learning
Artificial intelligence
Parallel Computing
Aprendizaje Profundo
Algoritmos Genéticos
MATLAB
Redes Neuronales Convolucionales
R-CNN
Aprendizaje Automático
Inteligencia Artificial
Computación paralela
Rights
License
Derechos Reservados - Universidad Militar Nueva Granada, 2018
id UNIMILTAR2_0bbe0895c84e5ee9696e378cad2dd333
oai_identifier_str oai:repository.unimilitar.edu.co:10654/17651
network_acronym_str UNIMILTAR2
network_name_str Repositorio UMNG
repository_id_str
dc.title.spa.fl_str_mv Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
dc.title.translated.spa.fl_str_mv Application of deep learning in the identification of obstacles in the vehicle path
title Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
spellingShingle Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
ALGORITMOS GENETICOS
REDES NEURALES (COMPUTADORES)
PROGRAMACION PARALELA (COMPUTADORES ELECTRONICOS)
Deep Learning
Genetic Algorithms
MATLAB
Convolutional Neural Networks
R-CNN
Machine Learning
Artificial intelligence
Parallel Computing
Aprendizaje Profundo
Algoritmos Genéticos
MATLAB
Redes Neuronales Convolucionales
R-CNN
Aprendizaje Automático
Inteligencia Artificial
Computación paralela
title_short Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
title_full Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
title_fullStr Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
title_full_unstemmed Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
title_sort Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículos
dc.creator.fl_str_mv Alfonso García, Brayan Steven
dc.contributor.advisor.spa.fl_str_mv Jímenez Moreno, Robinson
dc.contributor.author.spa.fl_str_mv Alfonso García, Brayan Steven
dc.subject.lemb.spa.fl_str_mv ALGORITMOS GENETICOS
REDES NEURALES (COMPUTADORES)
PROGRAMACION PARALELA (COMPUTADORES ELECTRONICOS)
topic ALGORITMOS GENETICOS
REDES NEURALES (COMPUTADORES)
PROGRAMACION PARALELA (COMPUTADORES ELECTRONICOS)
Deep Learning
Genetic Algorithms
MATLAB
Convolutional Neural Networks
R-CNN
Machine Learning
Artificial intelligence
Parallel Computing
Aprendizaje Profundo
Algoritmos Genéticos
MATLAB
Redes Neuronales Convolucionales
R-CNN
Aprendizaje Automático
Inteligencia Artificial
Computación paralela
dc.subject.keywords.spa.fl_str_mv Deep Learning
Genetic Algorithms
MATLAB
Convolutional Neural Networks
R-CNN
Machine Learning
Artificial intelligence
Parallel Computing
dc.subject.proposal.spa.fl_str_mv Aprendizaje Profundo
Algoritmos Genéticos
MATLAB
Redes Neuronales Convolucionales
R-CNN
Aprendizaje Automático
Inteligencia Artificial
Computación paralela
description En el presente documento se expone el proceso de desarrollo de un algoritmo del campo de inteligencia artificial de redes neuronales en donde se hace aplicación del deep learning para el reconocimiento de posibles obstáculos en una imagen en un trayecto controlado como objetivo principal.Como primer medida para el reconocimiento de obstáculos, se desarrollan una serie de detectores basados en redes neuronales convolucionales, específicamente el detector basado en R-CNN en el entorno de MATLAB, desarrollando y documentando dos pruebas de detector por cada obstáculos propuestos (Personas, árboles y carros), así finalmente según estos resultados proponer un detector final con las 3 categorías integradas. Finalmente para la generación de la trayectoria en las imágenes propuestas de un trayecto controlado en las instalaciones de la Universidad Militar Nueva Granada, se aplica un algoritmo genético qué posee como restricción los obstáculos detectados para la generación de la mencionada trayectoria. Durante el desarrollo del trabajo según los resultados obtenidos, se hará una breve descripción de los mismos, que así permitan realizar conclusiones en base a ellos.
publishDate 2018
dc.date.accessioned.none.fl_str_mv 2018-08-14T16:58:48Z
2019-12-26T22:08:04Z
dc.date.available.none.fl_str_mv 2018-08-14T16:58:48Z
2019-12-26T22:08:04Z
dc.date.issued.none.fl_str_mv 2018-06-29
dc.type.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
dc.type.local.spa.fl_str_mv Trabajo de grado
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.dcmi-type-vocabulary.spa.fl_str_mv Text
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/10654/17651
url http://hdl.handle.net/10654/17651
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv C. Valderrama. “Programación de equipos y sistemas industriales”. “Informática Industrial”. M. López, Ed, Ediciones Paraninfo: Madrid, 2017, pp 129.
Mathworks. “Aprendizaje Profundo”. [Online]. Disponible en: https://la.mathworks.com/discovery/deep-learning.html#howitworks.
Mathworks. “What is Parallel Computing”: [Online]. Disponible en: https://la.mathworks.com/help/distcomp/what-is-parallel-computing.html
ALEGSA. “Definición de CPU (Unidad Central de Procesamiento)”. [Online]. Disponible en: http://www.alegsa.com.ar/Dic/cpu.php
P. Loncomilla. “Deep Learning: Redes Convolucionales”. [Online]. Instituto Nacional de Astrofísica, Óptica y Electrónica. México. Disponible en: https://ccc.inaoep.mx/~pgomez/deep/presentations/2016Loncomilla.pdf
Universidad Nacional de Colombia. “Redes Neuronales”. [Online]. Disponible en: http://disi.unal.edu.co/~lctorress/RedNeu/LiRna008.pdf
Universidad Nacional de Colombia. “Unidad de Procesamiento Gráfico”. [Online]. Disponible en: http://www.bdigital.unal.edu.co/52460/1/1052387518.2016.pdf
Grupo Us. “CONCEPTOS BÁSICOS SOBRE REDES NEURONALES”. [Online]. Disponible en: http://grupo.us.es/gtocoma/pid/pid10/RedesNeuronales.htm
algopro. “entorno de programación de MATLAB”. [Online]. Instituto Tecnológico de Tuxtla Gutiérrez, México. Disponible en: https://sites.google.com/site/algopromecanica/unidad-i/1-3-entorno-de-programacion-de-matlab
Mathworks. “trainingOptions”. [Online]. Disponible en: https://la.mathworks.com/help/nnet/ref/trainingoptions.html#bu80qkw-3
Coursera. “Padding”. [Online]. Disponible en: https://es.coursera.org/learn/convolutional-neural-networks/lecture/o7CWi/padding
G. Hinton. “A Beginner's Guide To Understanding Convolutional Neural Networks Part 2”. [Online]. Disponible en: https://adeshpande3.github.io/A-Beginner%27s-Guide-To-Understanding-Convolutional-Neural-Networks-Part-2/
Quora. “How does the region proposal network (RPN) in Faster R-CNN work?” [Online]. Disponible en: https://www.quora.com/How-does-the-region-proposal-network-RPN-in-Faster-R-CNN-work
J. McCaffrey. “Test Run - L1 and L2 Regularization for Machine Learning”. [Online]. Disponible en: https://msdn.microsoft.com/en-us/magazine/dn904675.aspx
J. Aracil, F. Gómez-Estern. “Introducción a Matlab y Simulink”. [Online]. Disponible en: http://www.esi2.us.es/~fabio/apuntes_matlab.pdf
P. Rivas. “Visión de Máquina”. [Online]. Instituto Tecnológico de Chihuahua. Disponible en: http://www.academia.edu/1699766/Vision_de_Maquina
CONSEJO COLOMBIANO DE SEGURIDAD, Boletines de Prensa. [Online]. Disponible en: http://ccs.org.co/salaprensa/index.php?option=com_content&view=article&id=516:accidentalidadvial&catid=296&Itemid=830
UNIVERSIDAD DE ANTIOQUIA. “Redes Neuronales”. [Online]. Disponible en: http://ingenieria.udea.edu.co/investigacion/mecatronica/mectronics/redes.htm
Matich. D; UNIVERSIDAD TECNOLÓGICA NACIONAL, 2001. “Redes Neuronales: Conceptos Básicos y Aplicaciones”. Argentina. [Online]. Disponible en: https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-redesneuronales.pdf
A. Delgado “Aplicación de las redes neuronales en Medicina “. Revista de la Facultad de Medicina, vol. 4, pp 221 – 223, 1999.
Vega. H, Cortez. A, Hauyana. A, Alarcón. A, Romero. P, UNIVERSIDAD MAYOR DE SAN MARCOS” Reconocimiento de patrones mediante redes neuronales artificiales”. Perú. [Online]. Disponible en: http://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a03v6n2.pdf
NVIDIA. “Aprendizaje Profundo”. [Online]. Disponible en: http://www.nvidia.es/object/deep-learning-es.html
K. Fukushima, “Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position”, Biol. Cybernetics, vol. 36, 193 -202 .1980
Y. GAO Et Al., "Scale optimization for full-image-CNN vehicle detection," 2017 IEEE Intelligent Vehicles Symposium (IV), Los Angeles, CA, USA, 2017, pp. 785-791.
L. Deng, M. Yang, Y. Qian, C. Wang and B. Wang, "CNN based semantic segmentation for urban traffic scenes using fisheye camera," 2017 IEEE Intelligent Vehicles Symposium (IV), Los Angeles, CA, USA, 2017, pp. 231-236.
T. Ege and K. Yanai, "Simultaneous estimation of food categories and calories with multi-task CNN," 2017 Fifteenth IAPR International Conference on Machine Vision Applications (MVA), Nagoya, Japan, 2017, pp. 198-201.
SAMSUNG. “PCs”. [Online]. Disponible en: http://www.samsung.com/us/computer/pcs/NP350V5C-T01US-specs
Mathworks. “Productos y Servicios”. [Online]. Disponible en: https://la.mathworks.com/products.html
Mathworks. “Computer Vision System Toolbox”. [Online]. Disponible en: https://la.mathworks.com/products/computer-vision.html
Mathworks. “Statistics and Machine Learning Toolbox”. [Online]. Disponible en: https://la.mathworks.com/products/statistics.html
Mathworks. “Neural Network Toolbox”. [Online]. Disponible en: https://la.mathworks.com/products/neural-network.html
Mathworks. “Parallel Computing Toolbox” [Online]. Disponible en: https://la.mathworks.com/products/parallel-computing.html
J. Santos, R. Duro. “Evolución Artificial y Robótica Autónoma”. Ed, RA-MA: Madrid, 2011
P. Viñuela, I. Galván. “Redes de Neuronas Artificiales, Un Enfoque Práctico”. D. Fayerman. Ed, Pearson: Madrid, 2004, pp: 8 – 14.
N. Nilsson. “Inteligencia Artificial, Una Nueva Síntesis”. C. Fernández. Ed: Mc Grall Hill: Colombia, 2004, pp: 41 – 46
R. Castillo. “Algoritmos de entrenamiento de redes neuronales”. Universidad Militar Nueva Granda. Bogotá.
R. Arrabales, “Robótica e Inteligencia Artificial, Deep Learning: qué es y por qué va a ser una tecnología clave en el futuro de la inteligencia artificial,” 29 Marzo 2016. [Online]. Disponible en: https://www.xataka.com/robotica-e-ia/deep-learning-que-es-y-por-que-va-a-ser-una-tecnologia-clave-en-el-futuro-de-la-inteligencia-artificial.
R. López, “Qué es y cómo funciona "Deep Learning",” 7 Mayo 2014. [Online]. Disponible en: https://rubenlopezg.wordpress.com/2014/05/07/que-es-y-como-funciona-deep-learning/
A. Delgado, “Aplicación de las redes neuronales en Medicina “. Revista de la Facultad de Medicina, vol. 4, pp 221 – 223, 1999.
L. García, “Aprendizaje Profundo para Visión Artificial con MATLAB”. [Online]. Disponible en: https://la.mathworks.com/videos/deep-learning-for-computer-vision-with-matlab-120878.html?elqsid=1520995125742&potential_use=Education
L. Araujo. “Rectified-Linear unit Layer”. [Online]. Disponible en: https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/relu_layer.html
Mathworks. “Object Detection Using Deep Learning”. [Online]. Disponible en: https://la.mathworks.com/help/vision/examples/object-detection-using-deep-learning.html
R. Snell. ”Estructura de la Neurona”. “Neuroanatomía Clínica”. Ed: Wolters Kluwer Health España S.A. 2010, Madrid, pp: 49 -53.
M. Rouse. “Aprendizaje profundo (deep learning)”. [Online]. Disponible en: http://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-profundo-deep-learning
Á. García-Martín and J. M. Martinez, "People detection in surveillance: classification and evaluation," in IET Computer Vision, vol. 9, no. 5, pp. 779-788, 10 2015.
D. Parthasarathy. “A Brief History of CNNs in Image Segmentation: From R-CNN to Mask R-CNN”. [Online]. Disponible en: https://blog.athelas.com/a-brief-history-of-cnns-in-image-segmentation-from-r-cnn-to-mask-r-cnn-34ea83205de4
J. Martínez. “DETECCIÓN DE PERSONASMEDIANTE REDES CONVOLUCIONALES”. [Online]. Universidad Autónoma de Madrid. Disponible en: https://repositorio.uam.es/bitstream/handle/10486/679353/Sanchez_Atienza_Esther_tfg.pdf?sequence=1
E. Carmona. “Tutorial sobre Máquinas de Vectores Soporte (SVM)”. [Online]. Universidad Nacional de Educación a Distancia, Madrid. Disponible en: http://www.ia.uned.es/~ejcarmona/publicaciones/%5B2013-Carmona%5D%20SVM.pdf
R. Girshick, J. Donahue, T. Darrell, and J. Malik. “Rich feature hierarchies For accurate object detection and semantic segmentation”. In CVPR, 2014.
T. Grel. “Region of interest pooling explained”. [Online]. Disponible en: https://blog.deepsense.ai/region-of-interest-pooling-explained/
F. Sánchez. “Diseño de un sistema de reconocimiento automático de matrículas de vehículos mediante una red neuronal convolucional”. Universitat Oberta de Catalunya. [Online]. Disponible en: http://openaccess.uoc.edu/webapps/o2/bitstream/10609/52222/7/fnunezsTFM0616memoria.pdf
Stanford CS class. “CS231n: Convolutional Neural Networks for Visual Recognition.” [Online]. Disponible en: http://cs231n.github.io/convolutional-networks/#fc
CODE Q&A. “Detección de objetos con R-CNN?”. [Online]. Disponible en: https://code.i-harness.com/es/q/2964608
K. He, G. Gkioxari, P. Dollár and R. Girshick, "Mask R-CNN," 2017 IEEE International Conference on Computer Vision (ICCV), Venice, 2017, pp. 2980-2988.
ImageNet. “Large Scale Visual Recognition Challenge 2012 (ILSVRC2012)”. [Online]. Disponible en: http://www.image-net.org/challenges/LSVRC/2012/
ImageNet. ”Large Scale Visual Recognition Challenge 2013 (ILSVRC2013)”. [Online]. Disponible en: http://image-net.org/challenges/LSVRC/2013/
ImageNet. ”Large Scale Visual Recognition Challenge 2014 (ILSVRC2014)”. [Online]. Disponible en: http://image-net.org/challenges/LSVRC/2014/
A. Karpathy. “What I learned from competing against a ConvNet on ImageNet”. [Online]. Disponible en: http://karpathy.github.io/2014/09/02/what-i-learned-from-competing-against-a-convnet-on-imagenet/
ImageNet. “Large Scale Visual Recognition Challenge 2015 (ILSVRC2015)”. [Online]. Disponible en: http://image-net.org/challenges/LSVRC/2015/
Mathworks. “Image Labeler”. [Online]. Disponible en: https://la.mathworks.com/help/vision/ref/imagelabeler-app.html
Mathworks. “Object Detection Using Faster R-CNN Deep Learning”. Disponible en: https://la.mathworks.com/help/vision/examples/object-detection-using-faster-r-cnn-deep-learning.html
IceCreamapps. “Image Resizer”. [Online]. Disponible en: https://icecreamapps.com/es/Image-Resizer/
Mathworks. “trainRCNNobjectdetector”. [Online]. Disponible en: https://la.mathworks.com/help/vision/ref/trainrcnnobjectdetector.html
Mathworks. “Run Code on Parallel Pools”. [Online]. Disponible en: https://la.mathworks.com/help/distcomp/run-code-on-parallel-pools.html
Mathworks. “Demos from Deep Learning for Computer Vision Webinar”. [Online]. Disponible en: https://la.mathworks.com/matlabcentral/fileexchange/62558-demos-from---deep-learning-for-computer-vision--webinar?focused=7607007&tab=function
Mathworks. “Visualize Activations of a Convolutional Neural Network”. [Online]. Disponible en: https://la.mathworks.com/help/nnet/examples/visualize-activations-of-a-convolutional-neural-network.html
Mathworks. “insertObjectAnnotation”. [Online]. Disponible en: https://la.mathworks.com/help/vision/ref/insertobjectannotation.html#namevaluepairarguments
Mathworks “Specify Layers of Convolutional Neural Network “. [Online]. Disponible en: https://la.mathworks.com/help/nnet/ug/layers-of-a-convolutional-neural-network.html#bvobklb-2
Mathworks. “fullyConnectedLayer”. [Online]. Disponible en: https://la.mathworks.com/help/nnet/ref/nnet.cnn.layer.fullyconnectedlayer.html#mw_bac20c29-f95b-423a-816a-428fc8e0463e
A. Moujahid; I. Inza; P. Larrañaga “Tema2. Algoritmos Genéticos”. [Online]. Disponible en: http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t2geneticos
dc.rights.spa.fl_str_mv Derechos Reservados - Universidad Militar Nueva Granada, 2018
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.spa.fl_str_mv https://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.creativecommons.spa.fl_str_mv Atribución-NoComercial-SinDerivadas
rights_invalid_str_mv Derechos Reservados - Universidad Militar Nueva Granada, 2018
https://creativecommons.org/licenses/by-nc-nd/2.5/co/
Atribución-NoComercial-SinDerivadas
http://purl.org/coar/access_right/c_abf2
dc.format.extent.spa.fl_str_mv 139 páginas : figuras.
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Calle 100
dc.publisher.department.spa.fl_str_mv Facultad de Ingenieríad
dc.publisher.program.spa.fl_str_mv Ingeniería en Mecatrónica
dc.publisher.faculty.spa.fl_str_mv Ingenieria - Ingenieria en Mecatrónica
dc.publisher.grantor.spa.fl_str_mv Universidad Militar Nueva Granada
institution Universidad Militar Nueva Granada
bitstream.url.fl_str_mv http://repository.unimilitar.edu.co/bitstream/10654/17651/1/AlfonsoGarc%c3%adaBrayanSteven2018.pdf.jpg
http://repository.unimilitar.edu.co/bitstream/10654/17651/2/AlfonsoGarc%c3%adaBrayanSteven2018.pdf.txt
http://repository.unimilitar.edu.co/bitstream/10654/17651/3/AlfonsoGarc%c3%adaBrayanSteven2018.pdf
http://repository.unimilitar.edu.co/bitstream/10654/17651/4/license.txt
bitstream.checksum.fl_str_mv 8a0dd5ebfac5ae740c21f0049666a922
3643bcec700689d06f0e56bfefd002fc
a247c16a8a049427b55b72adc27f655d
db8c51a4fe024e5a82b04495057d631d
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional UMNG
repository.mail.fl_str_mv bibliodigital@unimilitar.edu.co
_version_ 1837098387889979392
spelling Jímenez Moreno, RobinsonAlfonso García, Brayan StevenIngeniero en MecatrónicaIngeniero en MecatrónicaCalle 1002018-08-14T16:58:48Z2019-12-26T22:08:04Z2018-08-14T16:58:48Z2019-12-26T22:08:04Z2018-06-29http://hdl.handle.net/10654/17651En el presente documento se expone el proceso de desarrollo de un algoritmo del campo de inteligencia artificial de redes neuronales en donde se hace aplicación del deep learning para el reconocimiento de posibles obstáculos en una imagen en un trayecto controlado como objetivo principal.Como primer medida para el reconocimiento de obstáculos, se desarrollan una serie de detectores basados en redes neuronales convolucionales, específicamente el detector basado en R-CNN en el entorno de MATLAB, desarrollando y documentando dos pruebas de detector por cada obstáculos propuestos (Personas, árboles y carros), así finalmente según estos resultados proponer un detector final con las 3 categorías integradas. Finalmente para la generación de la trayectoria en las imágenes propuestas de un trayecto controlado en las instalaciones de la Universidad Militar Nueva Granada, se aplica un algoritmo genético qué posee como restricción los obstáculos detectados para la generación de la mencionada trayectoria. Durante el desarrollo del trabajo según los resultados obtenidos, se hará una breve descripción de los mismos, que así permitan realizar conclusiones en base a ellos.In the present document the process of development of an algorithm of the field of artificial intelligence of neural networks is exposed where deep learning is applied for the recognition of possible obstacles in an image in a controlled path as main objective. As a first measure for the recognition of obstacles, a series of detectors based on convolutional neural networks are developed, specifically the detector based on R-CNN in the MATLAB environment, developing and documenting two detector tests for each obstacle proposed (People, trees and cars), so finally according to these results propose a final detector with the 3 integrated categories. Finally, for the generation of trajectory in the proposed images of a controlled path in the facilities of the Universidad Militar Nueva Granada a genetic algorithm is applied which has as a restriction the obstacles detected for the generation of the aforementioned trajectory. During the development of the work according to the results obtained, a brief description of them will be made, which will allow to make conclusions based on them.Pregrado139 páginas : figuras.application/pdfspaDerechos Reservados - Universidad Militar Nueva Granada, 2018https://creativecommons.org/licenses/by-nc-nd/2.5/co/Atribución-NoComercial-SinDerivadashttp://purl.org/coar/access_right/c_abf2Aplicación de aprendizaje profundo en la identificación de obstáculos en el trayecto de vehículosApplication of deep learning in the identification of obstacles in the vehicle pathinfo:eu-repo/semantics/bachelorThesisTrabajo de gradoinfo:eu-repo/semantics/bachelorThesisTexthttp://purl.org/coar/resource_type/c_7a1fALGORITMOS GENETICOSREDES NEURALES (COMPUTADORES)PROGRAMACION PARALELA (COMPUTADORES ELECTRONICOS)Deep LearningGenetic AlgorithmsMATLABConvolutional Neural NetworksR-CNNMachine LearningArtificial intelligenceParallel ComputingAprendizaje ProfundoAlgoritmos GenéticosMATLABRedes Neuronales ConvolucionalesR-CNNAprendizaje AutomáticoInteligencia ArtificialComputación paralelaFacultad de IngenieríadIngeniería en MecatrónicaIngenieria - Ingenieria en MecatrónicaUniversidad Militar Nueva GranadaC. Valderrama. “Programación de equipos y sistemas industriales”. “Informática Industrial”. M. López, Ed, Ediciones Paraninfo: Madrid, 2017, pp 129.Mathworks. “Aprendizaje Profundo”. [Online]. Disponible en: https://la.mathworks.com/discovery/deep-learning.html#howitworks.Mathworks. “What is Parallel Computing”: [Online]. Disponible en: https://la.mathworks.com/help/distcomp/what-is-parallel-computing.htmlALEGSA. “Definición de CPU (Unidad Central de Procesamiento)”. [Online]. Disponible en: http://www.alegsa.com.ar/Dic/cpu.phpP. Loncomilla. “Deep Learning: Redes Convolucionales”. [Online]. Instituto Nacional de Astrofísica, Óptica y Electrónica. México. Disponible en: https://ccc.inaoep.mx/~pgomez/deep/presentations/2016Loncomilla.pdfUniversidad Nacional de Colombia. “Redes Neuronales”. [Online]. Disponible en: http://disi.unal.edu.co/~lctorress/RedNeu/LiRna008.pdfUniversidad Nacional de Colombia. “Unidad de Procesamiento Gráfico”. [Online]. Disponible en: http://www.bdigital.unal.edu.co/52460/1/1052387518.2016.pdfGrupo Us. “CONCEPTOS BÁSICOS SOBRE REDES NEURONALES”. [Online]. Disponible en: http://grupo.us.es/gtocoma/pid/pid10/RedesNeuronales.htmalgopro. “entorno de programación de MATLAB”. [Online]. Instituto Tecnológico de Tuxtla Gutiérrez, México. Disponible en: https://sites.google.com/site/algopromecanica/unidad-i/1-3-entorno-de-programacion-de-matlabMathworks. “trainingOptions”. [Online]. Disponible en: https://la.mathworks.com/help/nnet/ref/trainingoptions.html#bu80qkw-3Coursera. “Padding”. [Online]. Disponible en: https://es.coursera.org/learn/convolutional-neural-networks/lecture/o7CWi/paddingG. Hinton. “A Beginner's Guide To Understanding Convolutional Neural Networks Part 2”. [Online]. Disponible en: https://adeshpande3.github.io/A-Beginner%27s-Guide-To-Understanding-Convolutional-Neural-Networks-Part-2/Quora. “How does the region proposal network (RPN) in Faster R-CNN work?” [Online]. Disponible en: https://www.quora.com/How-does-the-region-proposal-network-RPN-in-Faster-R-CNN-workJ. McCaffrey. “Test Run - L1 and L2 Regularization for Machine Learning”. [Online]. Disponible en: https://msdn.microsoft.com/en-us/magazine/dn904675.aspxJ. Aracil, F. Gómez-Estern. “Introducción a Matlab y Simulink”. [Online]. Disponible en: http://www.esi2.us.es/~fabio/apuntes_matlab.pdfP. Rivas. “Visión de Máquina”. [Online]. Instituto Tecnológico de Chihuahua. Disponible en: http://www.academia.edu/1699766/Vision_de_MaquinaCONSEJO COLOMBIANO DE SEGURIDAD, Boletines de Prensa. [Online]. Disponible en: http://ccs.org.co/salaprensa/index.php?option=com_content&view=article&id=516:accidentalidadvial&catid=296&Itemid=830UNIVERSIDAD DE ANTIOQUIA. “Redes Neuronales”. [Online]. Disponible en: http://ingenieria.udea.edu.co/investigacion/mecatronica/mectronics/redes.htmMatich. D; UNIVERSIDAD TECNOLÓGICA NACIONAL, 2001. “Redes Neuronales: Conceptos Básicos y Aplicaciones”. Argentina. [Online]. Disponible en: https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/monograias/matich-redesneuronales.pdfA. Delgado “Aplicación de las redes neuronales en Medicina “. Revista de la Facultad de Medicina, vol. 4, pp 221 – 223, 1999.Vega. H, Cortez. A, Hauyana. A, Alarcón. A, Romero. P, UNIVERSIDAD MAYOR DE SAN MARCOS” Reconocimiento de patrones mediante redes neuronales artificiales”. Perú. [Online]. Disponible en: http://sisbib.unmsm.edu.pe/BibVirtual/Publicaciones/risi/2009_n2/v6n2/a03v6n2.pdfNVIDIA. “Aprendizaje Profundo”. [Online]. Disponible en: http://www.nvidia.es/object/deep-learning-es.htmlK. Fukushima, “Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition Unaffected by Shift in Position”, Biol. Cybernetics, vol. 36, 193 -202 .1980Y. GAO Et Al., "Scale optimization for full-image-CNN vehicle detection," 2017 IEEE Intelligent Vehicles Symposium (IV), Los Angeles, CA, USA, 2017, pp. 785-791.L. Deng, M. Yang, Y. Qian, C. Wang and B. Wang, "CNN based semantic segmentation for urban traffic scenes using fisheye camera," 2017 IEEE Intelligent Vehicles Symposium (IV), Los Angeles, CA, USA, 2017, pp. 231-236.T. Ege and K. Yanai, "Simultaneous estimation of food categories and calories with multi-task CNN," 2017 Fifteenth IAPR International Conference on Machine Vision Applications (MVA), Nagoya, Japan, 2017, pp. 198-201.SAMSUNG. “PCs”. [Online]. Disponible en: http://www.samsung.com/us/computer/pcs/NP350V5C-T01US-specsMathworks. “Productos y Servicios”. [Online]. Disponible en: https://la.mathworks.com/products.htmlMathworks. “Computer Vision System Toolbox”. [Online]. Disponible en: https://la.mathworks.com/products/computer-vision.htmlMathworks. “Statistics and Machine Learning Toolbox”. [Online]. Disponible en: https://la.mathworks.com/products/statistics.htmlMathworks. “Neural Network Toolbox”. [Online]. Disponible en: https://la.mathworks.com/products/neural-network.htmlMathworks. “Parallel Computing Toolbox” [Online]. Disponible en: https://la.mathworks.com/products/parallel-computing.htmlJ. Santos, R. Duro. “Evolución Artificial y Robótica Autónoma”. Ed, RA-MA: Madrid, 2011P. Viñuela, I. Galván. “Redes de Neuronas Artificiales, Un Enfoque Práctico”. D. Fayerman. Ed, Pearson: Madrid, 2004, pp: 8 – 14.N. Nilsson. “Inteligencia Artificial, Una Nueva Síntesis”. C. Fernández. Ed: Mc Grall Hill: Colombia, 2004, pp: 41 – 46R. Castillo. “Algoritmos de entrenamiento de redes neuronales”. Universidad Militar Nueva Granda. Bogotá.R. Arrabales, “Robótica e Inteligencia Artificial, Deep Learning: qué es y por qué va a ser una tecnología clave en el futuro de la inteligencia artificial,” 29 Marzo 2016. [Online]. Disponible en: https://www.xataka.com/robotica-e-ia/deep-learning-que-es-y-por-que-va-a-ser-una-tecnologia-clave-en-el-futuro-de-la-inteligencia-artificial.R. López, “Qué es y cómo funciona "Deep Learning",” 7 Mayo 2014. [Online]. Disponible en: https://rubenlopezg.wordpress.com/2014/05/07/que-es-y-como-funciona-deep-learning/A. Delgado, “Aplicación de las redes neuronales en Medicina “. Revista de la Facultad de Medicina, vol. 4, pp 221 – 223, 1999.L. García, “Aprendizaje Profundo para Visión Artificial con MATLAB”. [Online]. Disponible en: https://la.mathworks.com/videos/deep-learning-for-computer-vision-with-matlab-120878.html?elqsid=1520995125742&potential_use=EducationL. Araujo. “Rectified-Linear unit Layer”. [Online]. Disponible en: https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/relu_layer.htmlMathworks. “Object Detection Using Deep Learning”. [Online]. Disponible en: https://la.mathworks.com/help/vision/examples/object-detection-using-deep-learning.htmlR. Snell. ”Estructura de la Neurona”. “Neuroanatomía Clínica”. Ed: Wolters Kluwer Health España S.A. 2010, Madrid, pp: 49 -53.M. Rouse. “Aprendizaje profundo (deep learning)”. [Online]. Disponible en: http://searchdatacenter.techtarget.com/es/definicion/Aprendizaje-profundo-deep-learningÁ. García-Martín and J. M. Martinez, "People detection in surveillance: classification and evaluation," in IET Computer Vision, vol. 9, no. 5, pp. 779-788, 10 2015.D. Parthasarathy. “A Brief History of CNNs in Image Segmentation: From R-CNN to Mask R-CNN”. [Online]. Disponible en: https://blog.athelas.com/a-brief-history-of-cnns-in-image-segmentation-from-r-cnn-to-mask-r-cnn-34ea83205de4J. Martínez. “DETECCIÓN DE PERSONASMEDIANTE REDES CONVOLUCIONALES”. [Online]. Universidad Autónoma de Madrid. Disponible en: https://repositorio.uam.es/bitstream/handle/10486/679353/Sanchez_Atienza_Esther_tfg.pdf?sequence=1E. Carmona. “Tutorial sobre Máquinas de Vectores Soporte (SVM)”. [Online]. Universidad Nacional de Educación a Distancia, Madrid. Disponible en: http://www.ia.uned.es/~ejcarmona/publicaciones/%5B2013-Carmona%5D%20SVM.pdfR. Girshick, J. Donahue, T. Darrell, and J. Malik. “Rich feature hierarchies For accurate object detection and semantic segmentation”. In CVPR, 2014.T. Grel. “Region of interest pooling explained”. [Online]. Disponible en: https://blog.deepsense.ai/region-of-interest-pooling-explained/F. Sánchez. “Diseño de un sistema de reconocimiento automático de matrículas de vehículos mediante una red neuronal convolucional”. Universitat Oberta de Catalunya. [Online]. Disponible en: http://openaccess.uoc.edu/webapps/o2/bitstream/10609/52222/7/fnunezsTFM0616memoria.pdfStanford CS class. “CS231n: Convolutional Neural Networks for Visual Recognition.” [Online]. Disponible en: http://cs231n.github.io/convolutional-networks/#fcCODE Q&A. “Detección de objetos con R-CNN?”. [Online]. Disponible en: https://code.i-harness.com/es/q/2964608K. He, G. Gkioxari, P. Dollár and R. Girshick, "Mask R-CNN," 2017 IEEE International Conference on Computer Vision (ICCV), Venice, 2017, pp. 2980-2988.ImageNet. “Large Scale Visual Recognition Challenge 2012 (ILSVRC2012)”. [Online]. Disponible en: http://www.image-net.org/challenges/LSVRC/2012/ImageNet. ”Large Scale Visual Recognition Challenge 2013 (ILSVRC2013)”. [Online]. Disponible en: http://image-net.org/challenges/LSVRC/2013/ImageNet. ”Large Scale Visual Recognition Challenge 2014 (ILSVRC2014)”. [Online]. Disponible en: http://image-net.org/challenges/LSVRC/2014/A. Karpathy. “What I learned from competing against a ConvNet on ImageNet”. [Online]. Disponible en: http://karpathy.github.io/2014/09/02/what-i-learned-from-competing-against-a-convnet-on-imagenet/ImageNet. “Large Scale Visual Recognition Challenge 2015 (ILSVRC2015)”. [Online]. Disponible en: http://image-net.org/challenges/LSVRC/2015/Mathworks. “Image Labeler”. [Online]. Disponible en: https://la.mathworks.com/help/vision/ref/imagelabeler-app.htmlMathworks. “Object Detection Using Faster R-CNN Deep Learning”. Disponible en: https://la.mathworks.com/help/vision/examples/object-detection-using-faster-r-cnn-deep-learning.htmlIceCreamapps. “Image Resizer”. [Online]. Disponible en: https://icecreamapps.com/es/Image-Resizer/Mathworks. “trainRCNNobjectdetector”. [Online]. Disponible en: https://la.mathworks.com/help/vision/ref/trainrcnnobjectdetector.htmlMathworks. “Run Code on Parallel Pools”. [Online]. Disponible en: https://la.mathworks.com/help/distcomp/run-code-on-parallel-pools.htmlMathworks. “Demos from Deep Learning for Computer Vision Webinar”. [Online]. Disponible en: https://la.mathworks.com/matlabcentral/fileexchange/62558-demos-from---deep-learning-for-computer-vision--webinar?focused=7607007&tab=functionMathworks. “Visualize Activations of a Convolutional Neural Network”. [Online]. Disponible en: https://la.mathworks.com/help/nnet/examples/visualize-activations-of-a-convolutional-neural-network.htmlMathworks. “insertObjectAnnotation”. [Online]. Disponible en: https://la.mathworks.com/help/vision/ref/insertobjectannotation.html#namevaluepairargumentsMathworks “Specify Layers of Convolutional Neural Network “. [Online]. Disponible en: https://la.mathworks.com/help/nnet/ug/layers-of-a-convolutional-neural-network.html#bvobklb-2Mathworks. “fullyConnectedLayer”. [Online]. Disponible en: https://la.mathworks.com/help/nnet/ref/nnet.cnn.layer.fullyconnectedlayer.html#mw_bac20c29-f95b-423a-816a-428fc8e0463eA. Moujahid; I. Inza; P. Larrañaga “Tema2. Algoritmos Genéticos”. [Online]. Disponible en: http://www.sc.ehu.es/ccwbayes/docencia/mmcc/docs/t2geneticosTHUMBNAILAlfonsoGarcíaBrayanSteven2018.pdf.jpgIM Thumbnailimage/jpeg5494http://repository.unimilitar.edu.co/bitstream/10654/17651/1/AlfonsoGarc%c3%adaBrayanSteven2018.pdf.jpg8a0dd5ebfac5ae740c21f0049666a922MD51TEXTAlfonsoGarcíaBrayanSteven2018.pdf.txtExtracted texttext/plain181221http://repository.unimilitar.edu.co/bitstream/10654/17651/2/AlfonsoGarc%c3%adaBrayanSteven2018.pdf.txt3643bcec700689d06f0e56bfefd002fcMD52ORIGINALAlfonsoGarcíaBrayanSteven2018.pdfTrabajo de Gradoapplication/pdf5051299http://repository.unimilitar.edu.co/bitstream/10654/17651/3/AlfonsoGarc%c3%adaBrayanSteven2018.pdfa247c16a8a049427b55b72adc27f655dMD53LICENSElicense.txttext/plain2904http://repository.unimilitar.edu.co/bitstream/10654/17651/4/license.txtdb8c51a4fe024e5a82b04495057d631dMD5410654/17651oai:repository.unimilitar.edu.co:10654/176512020-06-30 13:05:47.604Repositorio Institucional UMNGbibliodigital@unimilitar.edu.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

Publicaciones similares