DSpace Repository

Detección de automóviles usando un teléfono inteligente Android con redes neuronales convolucionales

Show simple item record

dc.contributor.author Cabral Guzmán, Luis Miguel
dc.date.accessioned 2020-07-16T22:14:58Z
dc.date.available 2020-07-16T22:14:58Z
dc.date.created 2019-06-26
dc.date.issued 2020-03-13
dc.identifier.citation Cabral Guzmán, Luis Miguel. (2019). Detección de automóviles usando un teléfono inteligente Android con redes neuronales convolucionales (Maestría en Ciencias en Ingeniería de Cómputo). Instituto Politécnico Nacional, Centro de Investigación en Computación, México. es
dc.identifier.uri http://tesis.ipn.mx/handle/123456789/28258
dc.description Tesis (Maestría en Ciencias en Ingeniería de Cómputo), Instituto Politécnico Nacional, CIC, 2019, 1 archivo PDF, (86 páginas). tesis.ipn.mx es
dc.description.abstract RESUMEN: Esta tesis presenta una revisión del rendimiento de detección de vehículos usando una computadora de escritorio y un teléfono inteligente Android. El detector que se utilizó para este estudio fue el modelo MobileNetSSD. Este estudio se centró en la comparación entre el rendimiento del modelo Mobi- leNetSSD que utiliza la función de activación ReLU y el rendimiento del mismo modelo pero cambiando la función ReLU por la función de activación Swish, te- niendo en cuenta que el rendimiento de ambos modelos se midió utilizando una computadora de escritorio y un teléfono inteligente Android. En ambos casos, los parámetros de los detectores se inicializaron al azar y se entrenaron utilizan- do imágenes extraídas de la base de datos llamada "BDD100K: A Large-scale Diverse Driving Video Database"; se utilizaron en total 79.161 imágenes para ese propósito. En ambos modelos, el ciclo de entrenamiento se dividió aprovechando cuatro tasas de aprendizaje para obtener el mejor rendimiento en cada modelo; obte- niendo un valor de validación de pérdida de 2.2188 para el modelo que usaba la función de activación ReLU mientras que el modelo MobileNetSSD que usaba la función de activación Swish obtuvo 2.2591. Además, con el único propósito de tener un conjunto de imágenes de prueba diferente, se fabricó una pequeña base de datos llamada CDMX-2019 con 367 imágenes que fueron recolectadas de áreas cercanas a la Ciudad de México. Se estableció un conjunto de valores como umbral de IoU: 0.1, 0.45 y 0.6; para encontrar los mejores umbral de confianza para la detección utilizando los modelos MobileNetSSD-ReLU y MobileNetSSD-Swish respectivamente. Usando la base de datos BDD100K, se encontró que el modelo MobileNetSSD- Swish obtiene un mejor rendimiento que el modelo MobileNetSSD-ReLU para un umbral de IoU de 0.1 y 0.45 con un puntaje F1 de 0.2984 y 0.3174 respec- tivamente, usando un valor de umbral de detección de confianza de 0.41 y 0.4 respectivamente, en relación con 0.2186 y 0.3113 para el modelo MobileNetSSD- ReLU con un valor de umbral de detección de confianza de 0.40 respectivamente y solo en el caso del umbral de IoU de 0.6 con un umbral de detección de con- fianza de 0.4; el modelo MobileNetSSD-ReLU obtuvo el mejor puntaje F1 igual a 0.3353 en relación con un puntaje F1 de 0.3345 para el modelo MobileNetSSD- Swish con un umbral de detección de confianza de 0.4. Por otro lado, cuando los modelos se probaron tomando la base de datos CDMX-2019 y el mismo conjunto de parámetros de IoU y umbral de confian- za, siempre el modelo MobileNetSSD-Swish obtuvo la mejor puntuación F1 y cuando esos modelos se implementaron en el teléfono inteligente Android el mo- delo MobileNetSSD-Swish también obtuvo el mejor puntaje F1, sin embargo en todos los casos el MobileNetSSD-ReLU toma menos tiempo para hacer sus inferencias. ABSTRACT: This thesis presents a vehicles detection performance review using a compu- ter desktop and an Android smartphone. The detector which was used for this study was the MobileNetSSD model. This study was focused in the comparison between the performance of Mobi- leNetSSD model using ReLU activation function and the performance of the same model but changing the ReLU function by the Swish activation function considering that the performance of both models was measured using a desktop pc and the Android smartphone. In both cases, the detectors’ parameters we- re initialized randomly and they were trained using images extracted from the database called "BDD100K: A Large-scale Diverse Driving Video Database", 79,161 images total were used for that propose. In both models, the training cycle was divided taking advantage of four learning rate to get the best per- formance in each model, getting a loss validation value of 2.2188 for the model which used the ReLU activation function whereas the MobileNetSSD model which used Swish activation function got 2.2591. Also, with the only purpose to have a different set test images, a small database was manufactured called CDMX-2019 with 367 images which all were recollected from areas near to Mexico City. A set of values were established as IoU threshold: 0.1, 0.45 and 0.6, in order to discover the best confidence detection threshold values for MobileNetSSD- ReLU and MobileNetSSD-Swish models respectively. Based on the BDD100K database, It was founded that MobileNetSSD-Swish model get a better performance than MobileNetSSD-ReLU model for IoU th- reshold of 0.1 and 0.45 with an F1-score of 0.2984 and 0.3174 using a confiden- ce detection threshold value of 0.41 and 0.4 respectively in relation of 0.2186 and 0.3113 for MobileNetSSD-ReLU model with a confidence detection thres- hold value of 0.40 respectively and only in the case of IoU threshold of 0.6 with a confidence detection threshold of 0.4 the MobileNetSSD-ReLU model got the best F1-score equal to 0.3353 in relation to an F1-score of 0.3345 for MobileNetSSD-Swish model with a confidence detection threshold of 0.4. On the other hand, when the models were tested taking the CDMX-2019 database and the same set of parameter of IoU and confidence threshold always the MobileNetSSD-Swish model got the best F1-score and when those models were deployed in the Android smartphone the MobileNetSSD-Swish model got the best F1-score too, however, now the speed was considered revealing that in all cases the MobileNetSSD-ReLU take less time to make its inferences. Finally, MobileNetSSD-Swish gets almost the better F1-score when it was deployed on a pc desktop and always in the Android smartphone, but in all cases, MobileNet-ReLU model takes less time to make its inferences, those cha- racteristics need to be considered to use one model or another. es
dc.language.iso es es
dc.subject Redes neuronales es
dc.subject Android es
dc.title Detección de automóviles usando un teléfono inteligente Android con redes neuronales convolucionales es
dc.contributor.advisor Sossa Azuela, Juan Humberto
dc.contributor.advisor Zamora Gómez, Erik


Files in this item

This item appears in the following Collection(s)

Show simple item record

Search DSpace


Browse

My Account