dc.contributor.advisor | Usamentiaga Fernández, Rubén | |
dc.contributor.advisor | García Martínez, Daniel Fernando | |
dc.contributor.author | González Lema, Darío | |
dc.contributor.other | Informática, Departamento de | spa |
dc.date.accessioned | 2024-03-05T12:49:10Z | |
dc.date.available | 2024-03-05T12:49:10Z | |
dc.date.issued | 2023-06-05 | |
dc.identifier.uri | https://hdl.handle.net/10651/71812 | |
dc.description | Tesis doctoral con mención industrial y por compendio de publicaciones | |
dc.description.abstract | La evolución tecnológica ha permitido la automatización de tareas que antes eran impensables. Los modelos basados en aprendizaje automático han sido utilizados durante décadas, pero es en los últimos años cuando han experimentado un gran auge gracias a la popularización de las GPUs, lo que permite entrenar modelos con grandes cantidades de datos y aumentar su precisión.
En la tesis se evalúa la influencia de la complejidad de la red en los resultados, pues no siempre un incremento de la complejidad genera resultados significativamente mejores. Todo depende del problema y los conjuntos de entrenamiento disponibles. Además las redes más complejas tardan más en entrenarse y luego también tardan más en procesar cada imagen para detectar los objetos. | spa |
dc.format.extent | 181 p. | spa |
dc.language.iso | spa | spa |
dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 Internacional | |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/4.0/ | |
dc.subject | Dispositivos de edge computing | spa |
dc.subject | Redes complejas | spa |
dc.subject | Modelos de aprendizaje | spa |
dc.title | Detección de objetos utilizando modelos de aprendizaje profundo sobre dispositivos de edge computing | spa |
dc.type | doctoral thesis | spa |
dc.local.notes | DT(SE) 2023-135 | spa |
dc.rights.accessRights | open access | |