Entrenamiento, optimización y validación de una CNN para localización jerárquica mediante imágenes omnidireccionales.

Abstract

El objetivo del presente trabajo es abordar la localización de un robot móvil mediante el entrenamiento de una Red Neuronal Convolucional (CNN) de manera que se obtengan unos resultados óptimos. El problema de localización se aborda de forma jerárquica empleando un sistema catadióptrico omnidireccional y se trabaja directamente con las imágenes capturadas sin pasar a panorámicas, ahorrando así el tiempo de cálculo asociado a este proceso. La localización se lleva a cabo en dos pasos y en ambos se emplea la arquitectura de la CNN con diferentes objetivos. Primero se lleva a cabo una localización gruesa que consiste en identificar la estancia en la que se encuentra el robot por medio de la CNN. Después se realiza una localización fina en dicha estancia, en la cual la CNN es empleada para la obtención de descriptores holísticos a partir de las capas intermedias de la red. Estos descriptores globales permiten encontrar la posición donde se encuentra el robot de manera más precisa por medio de una búsqueda del vecino más cercano, comparando el descriptor correspondiente de la imagen test con los descriptores de las imágenes capturadas en la estancia seleccionada en el primer paso. Con el fin de mejorar el desempeño de la red se recurre a un aumento de datos y a una optimización bayesiana de hiperparámetros. Estas técnicas demuestran ser una solución eficiente y robusta para afrontar el problema de localización tal y como se muestra en la sección de experimentos.

Estimación de áreas de cultivo mediante Deep Learning y programación convencional

“…Esta arquitectura se basa en una típica red neuronal convolucional (CNN), cuyo diseño toma en cuenta una capa de entrada con los valores de las imágenes de 224*224*3, la capa de entrada (Input) toma en cuenta el tamaño del lote, alto, ancho y tipo de canal que para el caso práctico será RGB conjuntamente con las probabilidades predeterminadas para cada clase [29]. Para adaptarlo a nuestro problema, es posible desconectar el clasificador del modelo predeterminado EfficientNet-B5 para obtener solamente la parte convolucional de extracción de sus características.…”