000			02169nam a22003497i 4500
001			AZUAY-84481
003			AZUAY
005			20251111043008.0
008			251108b ||||||||qm||| 00| | d
040			_aAZUAY _bspa _cAZUAY _dAZUAY _erda
041	0		_aspa
084			_aUDA-BG T15043
100	1		_aCampoverde Quito, Wilson Andrés, _eautor
245	1	0	_aAnálisis del rendimiento de detectar, clasificar vehículos y pedestres en tiempo continuo con smartphone Android y TensorFlow Lite
264	3	1	_aEcuador : _bUniversidad del Azuay-Facultad de Ciencias de la Administración-Escuela de Ingeniería de Sistemas y Telemática, _c2019
300			_a47 páginas
300			_bDigital
336			_2rdacontent _atexto _btxt
337			_2rdamedia _acomputadora _bc
338			_2rdacarrier _arecurso en línea _bcr
502			_aIngeniero en Sistemas y Telemática
520	3		_bGeneralmente, se utilizan personas para conteo manual de vehículos y actores de la movilidad, lo cual resulta costoso. Actualmente, el avance de la tecnología permite utilizar métodos basados en redes neuronales convolucionales a la visión por computadora. El objetivo de este trabajo es conocer el rendimiento de las técnicas actuales en un dispositivo smartphone Android, estas medidas son conocidas en la literatura como precisión y recall. Consecuentemente se analiza la creación de un sistema automático a bajo costo que permita clasificar y contar estos actores del espacio público, usando TensorFlow Lite. Adicionalmente, se reentrena un modelo basado en Single Shot Detector para comparar 2 modelos: el primero por efecto y el segundo re-entrenado. Los resultados reportan un incremento significativo en rendimiento mAP para el modelo, como también mejoran las medidas de precision y recall.
650	1	4	_aANDROID
650	1	4	_aAPRENDIZAJE PROFUNDO
650	1	4	_aARQUITECTURA DE REDES NEURONALES
650	1	4	_aREDES NEURONALES
650	1	4	_aTENSORFLOW
650	1	4	_aTENSORFLOW LITE
700	1		_aOrellana Cordero, Marcos Patricio, _edirector de Tesis
856	4	0	_uhttp://dspace.uazuay.edu.ec/handle/datos/9406 _yVer documento en línea
942			_2z _c6
999			_c37407 _d37407