ANÁLISIS DE ARQUITECTURAS CNN DEL ESTADO DEL ARTE EN EL RECONOCIMIENTO DE ACTIVIDADES POR VIDEO.

SILVA CARNERO, DAVID ALEJANDRO (2021) ANÁLISIS DE ARQUITECTURAS CNN DEL ESTADO DEL ARTE EN EL RECONOCIMIENTO DE ACTIVIDADES POR VIDEO. Maestría thesis, UNIVERSIDAD AUTONOMA DE CHIHUAHUA.

Vista Previa

Text Tesis David Final Disco.pdf Download (4Mb) | Vista Previa

Resumen

Durante el ciclo 2019-2020 en la facultad de Ingeniería de la UACH se desarrollaron numerosas pruebas utilizando diferentes arquitecturas CNN del estado del arte para la tarea de reconocimiento de actividades en la base de datos de video HMDB51. Cada arquitectura fue entrenada a partir de distintos grupos de frames que se extrajeron utilizando diferentes técnicas de aumentación de datos con el fin de analizar su desempeño individual en cuanto a exactitud en la base de datos de estudio. También se cuantifico el tiempo de ejecución de todas las arquitecturas al utilizar un grupo de frames en una GPU Titan RTX y una GPU GeForce GTX 1080 y se analizó el por qué en la diferencia de tiempos de dos arquitecturas con igual número de parámetros. Se crearon dos nuevos grupos de videos con frames aleatorios a partir de los videos de la base de datos HMDB51 y se demostró que el excluir frames significativos de un video afecta negativamente el desempeño de las arquitecturas. Finalmente se formaron diversos ensambles a través de diversos métodos para analizar cual daba mejores resultados. La mejor arquitectura individual fue la Xception con un 51.92% de exactitud utilizando el grupo de frames que se generó usando el espejo horizontal de cada frame. La mejor técnica de ensamble fue aquella que consideró a las 3 mejores arquitecturas, a todos los frames del video y tomó el promedio de las predicciones de cada arquitectura del ensamble para generar la etiqueta final obteniendo un 53.38% de exactitud.

Actions (login required)

Ver Objeto