Segmentación automática de movimiento en proyecciones comprimidas de secuencias de videos multiespectrales mediante aprendizaje profundo

Simple item page
dc.contributor.advisorCorrea Pugliese, Claudia Victoria
dc.contributor.advisorArguello Fuentes, Henry
dc.contributor.authorLucena Luna, Liseth Verónica
dc.date.accessioned2024-03-04T01:17:52Z
dc.date.available2021
dc.date.available2024-03-04T01:17:52Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractEl vídeo espectral ha surgido como una herramienta científica no invasiva para analizar el comportamiento de escenas dinámicas en alta resolución espectral, siendo de gran interésen diversas áreas del conocimiento enfocadas a la detección de anomalías, clasificación de materiales, y seguimiento de objetos. Dada su importancia, diversas técnicas se han desarrollado paraobtener la información espectral de la escena en formato comprimido, a fin de solventar los problemas de adquisición, almacenamiento y procesamiento. Estas técnicas consisten en sistemas ópticosque captan y codifican la información tridimensional de la escena (espacio-espectral) en un conjuntode proyecciones bidimensionales, a altas velocidades de fotograma. A partir de estas medidas comprimidas, se puede recuperar el vídeo espectral subyacente mediante algoritmos de reconstruccióncomputacional, para realizar las diversas tareas de procesamiento como la detección, identificacióny seguimiento de objetos en movimiento. Sin embargo, el principal desafío de los enfoques basadosen la reconstrucción es el alto costo computacional, que incrementa significativamente con el númerode fotogramas. En este trabajo se presenta una estrategia para segmentar objetos en movimiento enel dominio de compresión. El método propuesto incorpora redes neuronales convolucionales paramodelar características espacio-temporales que permiten detectar las regiones de movimiento prominente sin necesidad de reconstruir el conjunto de datos. Los experimentos realizados muestran lacalidad de la segmentación del enfoque propuesto respecto a un método del estado del arte, quetambién realiza esta tarea de inferencia en el dominio de compresión, reportando en promedio unamejora del 29 % en C-CASSI y 24% en CASSI en términos de F-measure.
dc.description.abstractenglishSpectral video has emerged as a non-invasive scientific tool to analyze the behaviorof dynamic scenes in high spectral resolution, being of great interest in several areas of knowledgefocused on anomaly detection, material classification, and object tracking. In view of its importance, numerous techniques have been developed to obtain the spectral information of the scene incompressed format, in order to solve the issues related to acquisition, storage and processing. Thesetechniques consist of optical systems that capture and encode the three-dimensional (spatio-spectral)scene information into a set of two-dimensional projections at high frame rates. From these compressed measurements, the underlying spectral video can be recovered using computational reconstruction algorithms to later perform various processing tasks such as detection, identification and trackingof multiple moving objects. However, the main challenge of reconstruction-based approaches is thehigh computational cost, which increases significantly with the number of frames. Therefore, this paper presents a strategy for segmenting moving objects in the compressive domain. The proposedmethod incorporates convolutional neural networks (CNN) to model spatio-temporal features to detect regions of prominent motion without involving data reconstruction. The experiments show that theproposed method outperforms a state-of-the-art approach that also detects motion on the compressive domain, showing an average improvement of 29% in C-CASSI and 24% in CASSI in terms of F-measure.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/41583
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectMuestreo Compresivo
dc.subjectVídeo Espectral
dc.subjectRedes Neuronalesconvolucionales
dc.subjectSegmentación Del Movimiento
dc.subject.keywordCompressive Sampling
dc.subject.keywordSpectral Video
dc.subject.keywordConvolutional Neural Networks
dc.subject.keywordMotion Segmentation.
dc.titleSegmentación automática de movimiento en proyecciones comprimidas de secuencias de videos multiespectrales mediante aprendizaje profundo
dc.title.englishAutomatic motion segmentation in compressed projections of multispectral video sequences using deep learning. []
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
113.39 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
19.45 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
440.39 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería de Sistemas