• español
  • English
  • français
  • Deutsch
  • português (Brasil)
  • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano
    JavaScript is disabled for your browser. Some features of this site may not work without it.

    Parcourir

    Tout UVaDOCCommunautésPar date de publicationAuteursSujetsTitres

    Mon compte

    Ouvrir une session

    Statistiques

    Statistiques d'usage de visualisation

    Compartir

    Voir le document 
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Máster UVa
    • Voir le document
    •   Accueil de UVaDOC
    • PROJET DE FIN D'ÉTUDES
    • Trabajos Fin de Máster UVa
    • Voir le document
    • español
    • English
    • français
    • Deutsch
    • português (Brasil)
    • italiano

    Exportar

    RISMendeleyRefworksZotero
    • edm
    • marc
    • xoai
    • qdc
    • ore
    • ese
    • dim
    • uketd_dc
    • oai_dc
    • etdms
    • rdf
    • mods
    • mets
    • didl
    • premis

    Citas

    Por favor, use este identificador para citar o enlazar este ítem:http://uvadoc.uva.es/handle/10324/38970

    Título
    Understanding Badminton with computer vision
    Autor
    González Serrador, Diego
    Director o Tutor
    Finat Codes, Francisco JavierAutoridad UVA
    Editor
    Universidad de Valladolid. Escuela de Ingeniería Informática de ValladolidAutoridad UVA
    Año del Documento
    2019
    Titulación
    Máster en Ingeniería Informática
    Résumé
    El análisis automático de retransmisiones deportivas usando visión computacional es un área muy interesante con multitud de aplicaciones cómo el estudio del rival, la mejora deportiva o la simulación de partidos por ordenador. En este trabajo se propone un mecanismo o pipeline fácilmente extensible para la extracción automática de información de partidos de bádminton usando visión computacional y redes neuronales convolucionales (CNNs). Se aportan implementaciones y su correspondiente evaluación para algunos de los pasos de ese pipeline, como son la detección de las líneas la pista, la detección de los postes, la detección y el seguimiento del volante, y la detección de los jugadores. Además se presentan datasets para el entrenamiento y validación de cada una de esas etapas. Para la implementación de esos pasos se utilizan algunas de las arquitecturas deep learning que son o han sido estado del arte para la clasificación de imágenes y para la detección de objetos en imágenes como son ResNet, Faster R-CNN o Mask R-CNN. Finalmente, se enumeran los siguientes pasos para desplegar un sistema como el propuesto en producción a gran escala.
    Palabras Clave
    Computer vision
    Deep learning
    Video segmentation
    Departamento
    Departamento de Algebra, Geometría y Topología
    Idioma
    spa
    URI
    http://uvadoc.uva.es/handle/10324/38970
    Derechos
    openAccess
    Aparece en las colecciones
    • Trabajos Fin de Máster UVa [7003]
    Afficher la notice complète
    Fichier(s) constituant ce document
    Nombre:
    TFM-G1053.pdf
    Tamaño:
    23.50Mo
    Formato:
    Adobe PDF
    Thumbnail
    Voir/Ouvrir
    Nombre:
    TFM-G1053.anexos.zip
    Tamaño:
    121.4Mo
    Formato:
    application/zip
    Voir/Ouvrir
    Attribution-NonCommercial-NoDerivatives 4.0 InternacionalExcepté là où spécifié autrement, la license de ce document est décrite en tant que Attribution-NonCommercial-NoDerivatives 4.0 Internacional

    Universidad de Valladolid

    Powered by MIT's. DSpace software, Version 5.10