Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados

Autores
Ríos, Gastón Gustavo
Año de publicación
2020
Idioma
español castellano
Tipo de recurso
tesis de grado
Estado
versión aceptada
Colaborador/a o director/a de tesis
Ronchetti, Franco
Hasperué, Waldo
Descripción
En los últimos años el aprendizaje profundo ha demostrado ser un método suma-mente efectivo a la hora de realizar clasificación de imágenes. Esta efectividad esasociada en parte al aumento de poder de procesamiento, al desarrollo de nuevos al-goritmos y al incremento en el tamaño y cantidad de conjuntos de datos disponibles.Pero este aumento en la cantidad de conjuntos de datos disponibles no ha alcanzadotodas las problemáticas existentes, teniendo múltiples áreas donde los conjuntos dedatos disponibles son pequeños para la aplicación efectiva de modelos de aprendiza-je profundo o cuyos datos poseen información poco útil al no ser lo suficientementerepresentativa del problema o poseer ruido.Esta limitación en la cantidad de datos etiquetados es una problemática actualexistente en la clasificación de señas de la lengua de señas. En esta tesis se explorarondiversos métodos para lograr alcanzar la mejor precisión posible utilizando la menorcantidad de datos. Llegando finalmente a lograr una precisión en la clasificación deseñas estáticas del 99.26 % en el conjunto de datos LSA16 y 94 % con el conjunto dedatos RWTH-PHOENIX-Wheater.
Licenciado en Informática
Universidad Nacional de La Plata
Facultad de Informática
Materia
Ciencias Informáticas
Lengua de señas
Deep Learning
Conjuntos de datos
Visión por computadora
Gestos
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/116094
Acceder
id SEDICI_57f3198959877e6bec2b37fa22fe21f8
oai_identifier_str oai:sedici.unlp.edu.ar:10915/116094
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetadosRíos, Gastón GustavoCiencias InformáticasLengua de señasDeep LearningConjuntos de datosVisión por computadoraGestosEn los últimos años el aprendizaje profundo ha demostrado ser un método suma-mente efectivo a la hora de realizar clasificación de imágenes. Esta efectividad esasociada en parte al aumento de poder de procesamiento, al desarrollo de nuevos al-goritmos y al incremento en el tamaño y cantidad de conjuntos de datos disponibles.Pero este aumento en la cantidad de conjuntos de datos disponibles no ha alcanzadotodas las problemáticas existentes, teniendo múltiples áreas donde los conjuntos dedatos disponibles son pequeños para la aplicación efectiva de modelos de aprendiza-je profundo o cuyos datos poseen información poco útil al no ser lo suficientementerepresentativa del problema o poseer ruido.Esta limitación en la cantidad de datos etiquetados es una problemática actualexistente en la clasificación de señas de la lengua de señas. En esta tesis se explorarondiversos métodos para lograr alcanzar la mejor precisión posible utilizando la menorcantidad de datos. Llegando finalmente a lograr una precisión en la clasificación deseñas estáticas del 99.26 % en el conjunto de datos LSA16 y 94 % con el conjunto dedatos RWTH-PHOENIX-Wheater.Licenciado en InformáticaUniversidad Nacional de La PlataFacultad de InformáticaRonchetti, FrancoHasperué, Waldo2020-03-25info:eu-repo/semantics/bachelorThesisinfo:eu-repo/semantics/acceptedVersionTesis de gradohttp://purl.org/coar/resource_type/c_7a1finfo:ar-repo/semantics/tesisDeGradoapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/116094spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-sa/4.0/Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-06-23T10:49:43Zoai:sedici.unlp.edu.ar:10915/116094Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-06-23 10:49:43.766SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
title Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
spellingShingle Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
Ríos, Gastón Gustavo
Ciencias Informáticas
Lengua de señas
Deep Learning
Conjuntos de datos
Visión por computadora
Gestos
title_short Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
title_full Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
title_fullStr Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
title_full_unstemmed Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
title_sort Clasificación de gestos utilizando Deep Learning en datasets con pocos datos etiquetados
dc.creator.none.fl_str_mv Ríos, Gastón Gustavo
author Ríos, Gastón Gustavo
author_facet Ríos, Gastón Gustavo
author_role author
dc.contributor.none.fl_str_mv Ronchetti, Franco
Hasperué, Waldo
dc.subject.none.fl_str_mv Ciencias Informáticas
Lengua de señas
Deep Learning
Conjuntos de datos
Visión por computadora
Gestos
topic Ciencias Informáticas
Lengua de señas
Deep Learning
Conjuntos de datos
Visión por computadora
Gestos
dc.description.none.fl_txt_mv En los últimos años el aprendizaje profundo ha demostrado ser un método suma-mente efectivo a la hora de realizar clasificación de imágenes. Esta efectividad esasociada en parte al aumento de poder de procesamiento, al desarrollo de nuevos al-goritmos y al incremento en el tamaño y cantidad de conjuntos de datos disponibles.Pero este aumento en la cantidad de conjuntos de datos disponibles no ha alcanzadotodas las problemáticas existentes, teniendo múltiples áreas donde los conjuntos dedatos disponibles son pequeños para la aplicación efectiva de modelos de aprendiza-je profundo o cuyos datos poseen información poco útil al no ser lo suficientementerepresentativa del problema o poseer ruido.Esta limitación en la cantidad de datos etiquetados es una problemática actualexistente en la clasificación de señas de la lengua de señas. En esta tesis se explorarondiversos métodos para lograr alcanzar la mejor precisión posible utilizando la menorcantidad de datos. Llegando finalmente a lograr una precisión en la clasificación deseñas estáticas del 99.26 % en el conjunto de datos LSA16 y 94 % con el conjunto dedatos RWTH-PHOENIX-Wheater.
Licenciado en Informática
Universidad Nacional de La Plata
Facultad de Informática
description En los últimos años el aprendizaje profundo ha demostrado ser un método suma-mente efectivo a la hora de realizar clasificación de imágenes. Esta efectividad esasociada en parte al aumento de poder de procesamiento, al desarrollo de nuevos al-goritmos y al incremento en el tamaño y cantidad de conjuntos de datos disponibles.Pero este aumento en la cantidad de conjuntos de datos disponibles no ha alcanzadotodas las problemáticas existentes, teniendo múltiples áreas donde los conjuntos dedatos disponibles son pequeños para la aplicación efectiva de modelos de aprendiza-je profundo o cuyos datos poseen información poco útil al no ser lo suficientementerepresentativa del problema o poseer ruido.Esta limitación en la cantidad de datos etiquetados es una problemática actualexistente en la clasificación de señas de la lengua de señas. En esta tesis se explorarondiversos métodos para lograr alcanzar la mejor precisión posible utilizando la menorcantidad de datos. Llegando finalmente a lograr una precisión en la clasificación deseñas estáticas del 99.26 % en el conjunto de datos LSA16 y 94 % con el conjunto dedatos RWTH-PHOENIX-Wheater.
publishDate 2020
dc.date.none.fl_str_mv 2020-03-25
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
info:eu-repo/semantics/acceptedVersion
Tesis de grado
http://purl.org/coar/resource_type/c_7a1f
info:ar-repo/semantics/tesisDeGrado
format bachelorThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/116094
url http://sedici.unlp.edu.ar/handle/10915/116094
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-sa/4.0/
Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-sa/4.0/
Creative Commons Attribution-ShareAlike 4.0 International (CC BY-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1868982173572268032
score 13.365483

Publicaciones similares