Obtención de información semántica a partir de fotografías asociadas a una nube de puntos
Este estudio propone un enfoque no supervisado para asociar información semántica a nubes de puntos 3D generadas a partir de fotografías, abordando la carencia de etiquetas en métodos tradicionales como Estructura desde el Movimiento (SfM) y Multi Visión Estéreo (MVS). Se implementaron redes neurona...
- Autores:
-
Navia Castrillón, Juan Camilo
Holguín Agudelo, Luis Guillermo
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2025
- Institución:
- Universidad del Valle
- Repositorio:
- Repositorio Digital Univalle
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.univalle.edu.co:10893/38382
- Acceso en línea:
- https://hdl.handle.net/10893/38382
- Palabra clave:
- Fotogrametría
Segmentación semántica
Redes neuronales artificiales
Algoritmos
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-nd/4.0/
| Summary: | Este estudio propone un enfoque no supervisado para asociar información semántica a nubes de puntos 3D generadas a partir de fotografías, abordando la carencia de etiquetas en métodos tradicionales como Estructura desde el Movimiento (SfM) y Multi Visión Estéreo (MVS). Se implementaron redes neuronales convolucionales (CNN) combinadas con autoencoders completos y mapas auto-organizados de Kohonen (SOM), comparando su rendimiento con técnicas clásicas de clustering (k-means) y crecimiento de regiones. Los experimentos se realizaron en tres escenarios: banano (16 imágenes), monumento (396 imágenes) y parque (73 imágenes), procesadas mediante flujos de trabajo en Python con librerías como TensorFlow y OpenMVG. La metodología incluyó cuatro etapas: generación de nubes de puntos, segmentación no supervisada con redes neuronales (extracción de características, SOM y refinamiento con k-means), segmentación con algoritmos tradicionales, y evaluación mediante métricas de precisión e Intersección sobre Unión. Las redes neuronales destacaron en la escena del banano, con precisión global del 98% e Intersección sobre Unión (Intersección sobre Unión) de 0.97 para el fondo, aunque la clase "Banano" mostró menor rendimiento (Intersección sobre Unión: 0.76-0.87). En contraste, el clustering y crecimiento de regiones presentaron precisiones inferiores (70.8% y 67%, respectivamente), con Intersección sobre Unión críticos para clases complejas (ej. 0.08 en clustering para "Banano"). |
|---|