2026-04-27T21:34:56Zhttps://uvadoc.uva.es/oai/request

oai:uvadoc.uva.es:10324/710722024-10-29T20:04:05Zcom_10324_38col_10324_852

Bobillo Rincón, Gonzalo 2024-10-29T16:34:56Z 2024-10-29T16:34:56Z 2024 https://uvadoc.uva.es/handle/10324/71072 Este Trabajo Fin de Grado explora los fundamentos teóricos y la aplicación práctica de métodos matemáticos de clasificación en el campo del reconocimiento de objetos, con énfasis en la detección de señales de tráfico. Se aborda la formulación matemática del reconocimiento de objetos mediante la representación matricial de imágenes y los principios estadísticos del aprendizaje automático. El estudio examina técnicas de clasificación desde un punto de vista matemático, como el algoritmo de K-Vecinos más Cercanos, la regresión lineal, la regresión logística y las redes neuronales. Se profundiza especialmente en la teoría de redes neuronales y su proceso de aprendizaje mediante retropropagación y métodos de optimización. Además, se analiza un tipo concreto de red neuronal, las redes neuronales convolucionales (CNN). Se pondrá en práctica este conocimiento teórico mediante el entrenamiento de una CNN (YOLOv7) para el reconocimiento de señales de tráfico. El trabajo concluye con un análisis de los resultados, demostrando la aplicación de conceptos matemáticos avanzados en el aprendizaje profundo y la visión por computadora. This Thesis explores the theoretical foundations and practical application of mathematical classification methods in the field of object recognition, with an emphasis on traffic sign detection. The mathematical formulation of object recognition is addressed through the matrix representation of images and the statistical principles of machine learning. The study examines classification techniques from a mathematical perspective, such as the kNearest Neighbors algorithm, linear regression, logistic regression, and neural networks. Special attention is given to the theory of neural networks and their learning process through backpropagation and optimization methods. Additionally, a specific type of neural network, convolutional neural networks (CNNs), is analyzed. This theoretical knowledge is put into practice by training a CNN (YOLOv7) for traffic sign recognition. The thesis concludes with an analysis of the results, demonstrating the application of advanced mathematical concepts in deep learning and computer vision. spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 Internacional Aprendizaje estadístico en el reconocimiento de señales de tráfico info:eu-repo/semantics/bachelorThesis