Page 35 - Acalán 115

Julio - Diciembre Acalán 115 33
realizadas en un entorno ideal los resultados fueron aprendizaje para la detección de objetos persis-
muy satisfactorios como se muestra en el apartado tentes en imágenes de radar. IEEE Latin Ameri-
de resultados y además se realizaron tareas que no ca Transactions, 20(4), 677-685.
estaban planteadas al inicio del presente trabajo, Guevara, M. L., Echeverry, J. D., and Urueña, W. A.
tal como probar el clasif cador en un entorno (2008). Detección de rostros en imágenes digita-
real llegando a la conclusión de que para el buen les usando clasif cadores en cascada. Scientia et
funcionamiento en un entorno muy deteriorado technical, 1(38).
que se asemeja a un entorno real faltarían algunos Haselhoff, A. and Kummert, A. (2009). A vehicle
detalles como entrenar el clasif cador con un detection system based on haar and triangle fea-
distinto lote de imágenes ya sea agregando o tures. In 2009 IEEE intelligent vehicles sympo-
disminuyendo el número de imágenes, incluso sium, pages 261–266. IEEE.
aplicar como apoyo algún f ltro para cambios muy Hernández-Calvario, O., Florián, F., Sánchez, M.
bruscos de iluminación y se podría experimentar G., & Ávila-George, H. (2022). Conteo de plan-
probando otros tipos de clasif cación para medir la tas de agave usando redes neuronales convolu-
ef cacia en cada uno de ellos para f nalmente elegir cionales e imágenes adquiridas desde un vehí-
el clasif cador que funcione ef cientemente mejor en culo aéreo no tripulado. RISTI-Revista Ibérica
un entorno real. de Sistemas e Tecnologias de Informação, (45),
64-76.
Ruiz-Sarmiento, J.-R., Galindo, C., and Gonzá-
Referencias lez-Jiménez, J. (2017). Modelado del contexto
Aguilar, W. G., Luna, M. A., Moya, J. F., and Abad, geométrico para el reconocimiento de objetos.
V. (2017). Robot móvil con navegación basada Actas de las XXXVIII Jornadas de Automática.
en visión y detección de peatones. Ingenius, Schapire, R. E. and Singer, Y. (1999). Improved
(17):67–72. boosting algorithms using conf dence- rated pre-
Bobadilla, J. (2021). Machine Learning y Deep dictions. Machine learning, 37(3):297–336.
Learning: Usando Python, Scikit y Keras. Edi- Viola, P. and Jones, M. J. (2004). Robust real-time
ciones de la U. face detection. International journal of computer
Castrillón, M., Déniz, O., Guerra, C., and Hernán- vision, 57(2):137–154.
dez, M. (2007). Encara2: Real-time detection of
multiple faces at different resolutions in video
streams. Journal of visual communication and Fecha de recepción: 17 de octubre de 2022
image representation, 18(2):130–140.
Cebollada, S., Román, V., Payá, L., Tenza, M. F., Fecha de aceptación: 16 de diciembre de 2022
Jiménez, L. M., and Reinoso, Ó. (2019). Uso de
técnicas de machine learning para realizar map-
ping en robótica móvil. In XL Jornadas de Auto-
mática, pag. 686–693. Universidade da Coruña,
Servizo de Publicacións.
De la Escalera, A. (2001). Visión por computador:
fundamentos y métodos. Pearson, Prentice Hall.
Fernández, E. V. (2015). Técnicas de visión artif -
cial robustas en entornos no controlados. PhD
thesis, Universidad de Vigo.
Freund, Y; Schapire, R. E. (1997). A decision-theo-
retic generalization of on-line learning and an
application to boosting. Journal of computer and
system sciences, 55(1):119.
González Marcos, A., Martínez de Pisón Ascacíbar,
F., Pernía Espinoza, A., Alba Elías, F., Castejón
Limas, M., Ordieres Meré, J., and Vergara Gon-
zález, E. (2006). Técnicas y algoritmos básicos
de visión artif cial. Universidad de La Rioja, Lo-
groño.
Gonzales-Martínez, R., Machacuay, J., Rotta, P.,
& Chinguel, C. (2022). Ajuste de hiperparáme-
tros de una Faster R-CNN por transferencia de

UNIVERSIDAD AUTÓNOMA DEL CARMEN