Análisis de diferentes técnicas de segmentación semántica

Abstract

La IA ha evolucionado durante todos estos años hasta convertirse en una herramienta prácticamente indispensable en nuestro día a día. Esta evolución ha permitido avances en campos tales como la medicina, la conducción o la agricultura, por citar solo algunos, que han cambiado la forma en la que los humanos interaccionan con la tecnología. Este proyecto nace con el objetivo de estudiar y entender los conceptos teóricos que subyacen tras el paradigma del Deep Learnign (DL) y concretamente en el ámbito de lo que se conoce como segmentación semántica. La segmentación semántica es una técnica que permite clasificar a nivel de pixel una imagen en sus diferentes componentes, diferenciando distintas áreas pertenecientes a una misma clase. En el proyecto se realiza la implementación de una Red Neuronal Convolucional (RNC) que permite detectar diferentes zonas de imágenes agrícolas para su clasificación. Con ello se estudian varios modelos de redes de segmentación semántica como SegNet, Unet y DeepLab3 que se comparan entre sí para elegir la que mejor resultado ofrece y sobre ella se realizan las mejoras pertinentes con el fin de poder ajustarla y mejorar los resultados iniciales.

AI has evolved over the years to become an almost indispensable tool in our daily lives. This evolution has enabled advances in fields such as medicine, transportation and agriculture, to name just a few, which have changed the way humans interact with technology. This project aims to study and understand the theoretical concepts underlying the paradigm of DL, specifically in the field known as semantic segmentation. Semantic segmentation is a technique that allows pixel-level classification of an image, distinguishing different areas belonging to the same class. The project implements a Convolutional Neural Network (CNN) that detects different regions in agricultural images for classification. Several models of semantic segmentation networks such as SegNet, Unet, and DeepLab3 are compared to choose the one that provides the best results, and necessary improvements are made to fine-tune it and enhance the initial results.