2026-04-23T00:19:36Zhttps://uvadoc.uva.es/oai/requestoai:uvadoc.uva.es:10324/778442025-09-17T19:04:33Zcom_10324_38col_10324_852
Macicior Borregón, María Teresa
2025-09-17T11:17:37Z
2025-09-17T11:17:37Z
2025
https://uvadoc.uva.es/handle/10324/77844
En este trabajo se busca solucionar la falta de conjuntos de datos para
el entrenamiento de modelos de visión artificial en condiciones de niebla, lo
cual es un inconveniente para avanzar en el desarrollo y desempeño de los
mismos.
Para solucionar este problema se plantea la hipótesis de la utilización de
imágenes sintéticas como fuente de entrenamiento.
El uso de técnicas de aprendizaje automático demuestra que el empleo de
imágenes sintéticas en el entrenamiento de modelos de visión artificial puede
ser una solución para la falta de conjuntos de datos.
Para discutir esta hipótesis, en este proyecto se implementan, redes neuronales convolucionales y algoritmos de agrupación, para la selección y evaluación de imágenes artificiales con niebla.
Se utilizan estas técnicas con el fin de escoger imágenes realistas y así poder
utilizar conjuntos de datos reales y sintéticos para entrenar modelos de visión
artificial.
La creación de estos modelos se realiza en Python, el entrenamiento de los
mismos se realiza con conjuntos de imágenes privadas, extraídas de vídeos o
creadas con un programa.
This work seeks to solve the lack of datasets for training computer vision
models in foggy conditions, which is a drawback to advance the development
and performance of the same.
To solve this problem, the use of synthetic images as a training source is
hypothesized.
The use of machine learning techniques demonstrates that the use of synthetic
images in training computer vision models can be a solution to the lack of
data sets.
To discuss this hypothesis, in this project we implement, convolutional
neural networks and clustering algorithms, for the selection and evaluation
of artificial images with fog.
These techniques are used in order to choose realistic images and thus be
able to use real and synthetic data sets to train computer vision models.
The creation of these models is done in Python, the training of these models
is done with sets of private images, extracted from videos or created with a
program.
spa
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/
Attribution-NonCommercial-NoDerivatives 4.0 Internacional
Técnicas de aprendizaje automático para la evaluación de imágen en condiciones de niebla
info:eu-repo/semantics/bachelorThesis