Estudio sobre la segmentación semántica de imágenes de conciertos utilizando redes neuronales convolucionales
Year: 2026
Type: dissertation
Abstract: Este trabajo aborda el desafío de la segmentación semántica en entornos visualmente complejos, específicamente en imágenes de conciertos, las cuales se caracterizan por condiciones de iluminación extremas, contrastes dinámicos y oclusiones severas. El objetivo principal es determinar la configuración óptima de Redes Neuronales Convolucionales (CNN) para interpretar y clasificar píxel a píxel los elementos de estas escenas, utilizando la plataforma MATLAB y la base de datos MoTIVE. La metodología empleada se centra en el uso de la arquitectura Deeplabv3+ mediante técnicas de transferencia de aprendizaje. Se diseña un estudio experimental iterativo que compara el rendimiento de cuatro redes troncales de distinta complejidad (ResNet-18, ResNet-50, Xception e Inception-ResNet-v2) aplicadas sobre cuatro estrategias de preprocesamiento de datos diferentes. Estas estrategias abarcan desde el redimensionado directo y el uso de padding hasta la generación de recortes múltiples para aumentar el volumen de datos de entrenamiento y preservar la resolución nativa. Los resultados experimentales demuestran que la calidad y la geometría de los datos de entrada prevalecen sobre la complejidad de la arquitectura. La estrategia óptima (Base 2), fundamentada en recortes controlados con contexto, permite que la configuración con ResNet-50 alcance el mejor rendimiento, logrando un Mean IoU de 0.6524 y un BF Score de 0.7022. Por el contrario, las estrategias de aumento masivo de datos sin la capacidad de cómputo adecuada resultan contraproducentes, así como la no concordancia semántica, provocando subajuste. Se concluye que una red de complejidad media alimentada con datos de alta coherencia semántica ofrece el mejor equilibrio entre precisión y coste computacional.
Author: González del Pino, Mario
Language: Spanish
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7163605703