Modelo de aprendizaje profundo utilizando Transfer Learning para la clasificación del uso de mascarillas faciales en imágenes de baja resolución
dc.contributor.advisor | Pineda Ancco, Ferdinand Edgardo | |
dc.contributor.author | Coazaca Bustamante, Hebert Yamil | |
dc.contributor.author | Ali Vilca, Pandely Sabina | |
dc.date.accessioned | 2024-02-20T22:48:55Z | |
dc.date.available | 2024-02-20T22:48:55Z | |
dc.date.issued | 2023-12-04 | |
dc.description.abstract | La rápida propagación del virus SARS-Cov-2 alrededor del mundo provocó que muchos países impongan reglas obligatorias para evitar los contagios y reducir el impacto del virus en la población. Una de las medidas más importantes fue el uso obligatorio de mascarillas en lugares públicos, sin embargo, esta medida no fue acatada por todas las personas. Entonces aparecieron varias investigaciones de visión por computadora para detectar el uso de mascarillas en rostros de personas, aunque ninguno utilizó imágenes en baja resolución. Generalmente, las grabaciones en escenas exteriores se encuentran en baja resolución, por lo que este trabajo propone un modelo de aprendizaje profundo para la clasificación del uso de mascarillas en imágenes de baja resolución utilizando técnicas de transfer learning. Se recolectaron imágenes de rostros para crear el conjunto de datos "Low-Res Faces in Perú" y se realizaron cuatro experimentos donde se entrenaron distintas arquitecturas incluyendo modelos diseñados por los autores. El modelo del tercer experimento alcanzó el resultado más alto de accuracy con 99,10%, superando a las arquitecturas que tenían una mayor profundidad de capas convolucionales. | en_ES |
dc.description.escuela | Escuela Profesional de Ingeniería de Sistemas | en_ES |
dc.description.lineadeinvestigacion | Tecnología de información e innovación tecnológica | en_ES |
dc.description.sede | JULIACA | en_ES |
dc.format | application/pdf | en_ES |
dc.identifier.uri | http://repositorio.upeu.edu.pe/handle/20.500.12840/7294 | |
dc.language.iso | spa | en_ES |
dc.publisher | Universidad Peruana Unión | en_ES |
dc.publisher.country | PE | en_ES |
dc.rights | info:eu-repo/semantics/openAccess | en_ES |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-sa/3.0/es/ | * |
dc.subject | Baja resolución | en_ES |
dc.subject | Redes neuronales convolucionales | en_ES |
dc.subject | Covid19 | en_ES |
dc.subject | Transfer learning | en_ES |
dc.subject | Mascarilla | en_ES |
dc.subject | Aprendizaje profundo | en_ES |
dc.subject.ocde | http://purl.org/pe-repo/ocde/ford#2.02.04 | en_ES |
dc.title | Modelo de aprendizaje profundo utilizando Transfer Learning para la clasificación del uso de mascarillas faciales en imágenes de baja resolución | en_ES |
dc.type | info:eu-repo/semantics/bachelorThesis | en_ES |
renati.advisor.dni | 40424080 | |
renati.advisor.orcid | https://orcid.org/0000-0002-5367-5904 | en_ES |
renati.author.dni | 71498924 | |
renati.author.dni | 76607109 | |
renati.discipline | 612076 | en_ES |
renati.juror | Herrera Yucra, Benazir Francis | |
renati.juror | Chambi Aguilar, Jenson Daniel | |
renati.juror | Sullon Macalupu, Abel Angel | |
renati.level | http://purl.org/pe-repo/renati/nivel#tituloProfesional | en_ES |
renati.type | http://purl.org/pe-repo/renati/type#tesis | en_ES |
thesis.degree.discipline | Ingeniería de Sistemas | en_ES |
thesis.degree.grantor | Universidad Peruana Unión. Facultad de Ingeniería y Arquitectura | en_ES |
thesis.degree.name | Ingeniero de Sistemas | en_ES |
Archivos
Bloque original
1 - 3 de 3
No hay miniatura disponible
- Nombre:
- Hebert_Tesis_Licenciatura_2023.pdf
- Tamaño:
- 646.51 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
No hay miniatura disponible
- Nombre:
- Autorización_de_Publicación.pdf
- Tamaño:
- 254.72 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
No hay miniatura disponible
- Nombre:
- Reporte_de_Similitud.pdf
- Tamaño:
- 442.74 KB
- Formato:
- Adobe Portable Document Format
- Descripción:
Bloque de licencias
1 - 1 de 1
No hay miniatura disponible
- Nombre:
- license.txt
- Tamaño:
- 1.71 KB
- Formato:
- Item-specific license agreed upon to submission
- Descripción: