(Objetivo)

El campo de la visión por computadora ha experimentado un progreso notable, en gran parte, debido a los avances en el aprendizaje profundo. Estos desarrollos han revolucionado el reconocimiento, la interpretación y la aplicación de imágenes en numerosos dominios. Este artículo presenta un nuevo marco, diseñado para ampliar el potencial de los sistemas de visión por computadora, aprovechando el poder de las técnicas de aprendizaje profundo. Las redes neuronales profundas son fundamentales para este nuevo sistema y ofrecen una precisión y confiabilidad exclusivas en tareas esenciales como el reconocimiento de objetos, la segmentación de imágenes y la comprensión de escenas.

(Metodología)

Además, este marco ofrece una plataforma versátil para el procesamiento de imágenes en tiempo real, allanando el camino para numerosas aplicaciones en áreas como la automatización industrial, el diagnóstico médico y los vehículos autónomos. Este estudio explora, exhaustivamente, los elementos arquitectónicos y las metodologías que impulsan este marco innovador. Enfatiza las capacidades tecnológicas, la escalabilidad, la adaptabilidad y el potencial de este para una amplia adopción en todas las industrias que buscan soluciones avanzadas de visión por computadora.

(Resultados)

El modelo propuesto, Red neuronal convolucional-Red piramidal de características (CNN-FPN), demuestra un rendimiento superior en todas las métricas evaluadas para la detección de objetos, en comparación con los prototipos existentes. En concreto, logra las puntuaciones más altas en Precisión (57,2 %), Recuperación (60,4 %), Precisión (94,1 %), F1-Score (73,5 %) y AUC (0,983). Estos resultados indican que el modelo propuesto proporciona un rendimiento y confiabilidad superiores para tareas de detección de objetos, lo que muestra su potencial para aplicaciones de visión por computadora de alta precisión.

(Conclusiones)

En conclusión, esta arquitectura innovadora representa un avance significativo en la visión por computadora, la cual es posible gracias a las capacidades del aprendizaje profundo. Los resultados de nuestras pruebas demuestran que, en comparación con los algoritmos convencionales, el CNN-FPN mejorado produjo resultados más precisos.

        · resumen en Inglés | Portugués     · texto en Inglés     · Inglés ( pdf )