View Item 
  •   DSpace Home
  • Sistema de Bibliotecas USM
  • Tesis USM
  • TESIS de Postgrado de acceso ABIERTO
  • View Item
  •   DSpace Home
  • Sistema de Bibliotecas USM
  • Tesis USM
  • TESIS de Postgrado de acceso ABIERTO
  • View Item
    • español
    • English
  • English 
    • español
    • English
  • Login
JavaScript is disabled for your browser. Some features of this site may not work without it.

MULTIPLE OBJECT TRACKING THROUGH DEEP IDEAL SCENE

Thumbnail
View/Open
m18643264-9.pdf (6.176Mb)
Date
2021
Author
AVILA CARCAMO, DANILO IGNACIO
Metadata
Show full item record
Abstract
Multiple Object Tracking o Seguimiento de Múltiples objetos en español, es una tarea esencial en el área de visión por computador, su potencial tanto en áreas comerciales, académicas y de seguridad ha significado que este problema reciba mucha atención en años recientes. Pese a todo el estudio que se ha realizado sobre este problema, todavía se mantiene como una tarea muy desafiante. Avances en el área de machine y deep learning, han provocado que estas técnicas sean usadas en problemas de visión por computador, en donde se han obtenido mejores resultados al compararlo con el uso técnicas clásicas, esto gracias a su capacidad de modelar y ajustarse a distintos tipos de problemas, siempre y cuando haya información suficiente para el entrenamiento. El objetivo principal de Multiple Object Tracking es poder seguir y diferenciar distintos objetos de interés en una escena. Esta tarea, que es trivial para el razonamiento humano, se vuelve muy complicada de implementar en un computador. Por ejemplo ¿Como mantenemos la identidad de cada objeto si estos se cruzan en la escena? ¿Como identificamos un objeto que ha cambiado de postura o de forma? Estos y otros desafíos son los que se intentan resolver con los algoritmos de Multiple Object Tracking. La presente tesis propone un modelo capaz de generar una ideal scene o escena ideal, donde los problemas de multiple object tracking se simplifican, haciendo más fácil aplicar algoritmos de asociación objeto-identidad sobre esta. Con el fin de diseñar una arquitectura capaz de cumplir con la idea propuesta, se estudiaron distintas técnicas de deep learning, tales como las redes convolucionales, redes recurrentes y redes adversarias. El modelo propuesto en esta tesis fue probado en múltiples dataset bien conocidos del área de visión por computador: el MOT Challenge, el Stanford Drone Dataset y el UADetrac Dataset. Para la evaluación del algoritmo diseñado se usaron métricas del estado del arte. A partir de los resultados de este trabajo de tesis, se envió al journal de Springer Signal, Image and Video Processing, un artículo titulado Multiple Object Tracking Through Deep Ideal Scene and Recurrent Neural Networks, el cual se encuentra en proceso de revisión. Los resultados muestran que la propuesta de la ideal scene tiene un potencial prometedor en el ámbito de Multiple Object Tracking y posiblemente en otras áreas de visión por computador.
URI
https://hdl.handle.net/11673/50384
Collections
  • TESIS de Postgrado de acceso ABIERTO

© Universidad Técnica Federico Santa María
Avenida España 1680, Edificio U, Valparaíso· 56-32-2654147, Informaciones escribir a email repositorio@usm.cl Repositorio Digital administrado por el Área de Archivo Digital, Dirección de Información y Documentación Bibliográfica Institucional

DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback
Theme by 
@mire NV


USM
 

 

Browse

All of DSpaceCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsAdvisorProgramOther AdvisorThis CollectionBy Issue DateAuthorsTitlesSubjectsAdvisorProgramOther Advisor

My Account

Login

© Universidad Técnica Federico Santa María
Avenida España 1680, Edificio U, Valparaíso· 56-32-2654147, Informaciones escribir a email repositorio@usm.cl Repositorio Digital administrado por el Área de Archivo Digital, Dirección de Información y Documentación Bibliográfica Institucional

DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback
Theme by 
@mire NV


USM