dc.contributor.advisor | Simois Tirado, Francisco José | es |
dc.creator | Beltrán Guerra, Padro | es |
dc.date.accessioned | 2021-11-04T15:23:51Z | |
dc.date.available | 2021-11-04T15:23:51Z | |
dc.date.issued | 2021 | |
dc.identifier.citation | Beltrán Guerra, P. (2021). Reconocimiento automático de barcos en imágenes aéreas mediante aprendizaje máquina. (Trabajo Fin de Grado Inédito). Universidad de Sevilla, Sevilla. | |
dc.identifier.uri | https://hdl.handle.net/11441/127070 | |
dc.description.abstract | El tráfico marítimo está creciendo cada vez más rápido. Más barcos supone un incremento de
accidentes con consecuencias medioambientales, pesca ilegal o transporte de mercancías
prohibidas. Esto ha hecho que muchas organizaciones como gobiernos o compañías de seguros
tengan especial interés en la vigilancia del tráfico marítimo. El objetivo de este trabajo es la detección
de barcos a partir de imágenes aéreas. Este problema es bastante complicado de resolver mediante
técnicas de procesado de imagen clásicas pero supone un desafío apropiado para los altos niveles
de abstracción que se pueden conseguir con las técnicas de aprendizaje máquina.
En este proyecto se realiza un análisis profundo de las técnicas de Machine Learning, centrado
en las técnicas de Deep Learning usadas para la segmentación de objetos en imágenes. Para ello,
se comienza con un desarrollo teórico de los fundamentos del tratamiento de imágenes y el Deep
Learning, para terminar con una recopilación y análisis de una serie de arquitecturas usadas en la
actualidad, ahondándose en su estructura interna y las mejoras que aportan cada una de estas.
Posteriormente, se presentan dos modelos para la resolución del problema de segmentación
de barcos en imágenes aéreas, basándonos en el conjunto de datos proporcionados por Airbus
para una competición en la plataforma Kaggle. Con este fin, se pasa a exponer las estructuras, los
pasos necesarios para el ajuste y el desempeño a un nivel pormenorizado de cada uno de ellos.
Finalmente, se presentan ambos modelos a la competición y se compara su rendimiento con los
demás competidores a nivel mundial. | es |
dc.description.abstract | Shipping traffic is growing fast. More ships increase the chances of infractions at sea like environmentally devastating ship accidents, piracy, illegal fishing, drug trafficking, and illegal
cargo movement. This has compelled many organizations, from environmental protection agencies
to insurance companies and national government authorities, to have a closer watch over the open
seas. The project goal is ship detection over satellite images. These problems are hard enough to
solve with classic computer vision techniques, so they are an appropriate challenge for the high
abstraction levels that machine learning can achieve.
In this project, a deep analysis of Machine Learning techniques is presented, focused on Deep
Learning techniques used for the segmentation of objects in images. To do this, it begins with a
theoretical development of the fundamentals of image processing and Deep Learning, ending with
a survey and analysis of a series of architectures used today, delving into their internal structure and
the improvements provided by each one.
Later, two models are presented to solve the problem of segmentation of ships in aerial images,
based on the data set provided by Airbus for a competition on the Kaggle platform. To do this, the
structures, the necessary steps for adjustment and performance at a detailed level of each of them are
exposed. Finally, both models are presented to the competition and their performance is compared
with other competitors worldwide. | es |
dc.format | application/pdf | es |
dc.format.extent | 97 | es |
dc.language.iso | spa | es |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | * |
dc.title | Reconocimiento automático de barcos en imágenes aéreas mediante aprendizaje máquina | es |
dc.type | info:eu-repo/semantics/bachelorThesis | es |
dc.type.version | info:eu-repo/semantics/publishedVersion | es |
dc.rights.accessRights | info:eu-repo/semantics/openAccess | es |
dc.contributor.affiliation | Universidad de Sevilla. Departamento de Teoría de la Señal y Comunicaciones | es |
dc.description.degree | Universidad de Sevilla. Grado en Ingeniería de las Tecnologías de Telecomunicación | es |
dc.publication.endPage | 81 p. | es |