Comparación cuantitativa y cualitativa del rendimiento de redes de segmentación semántica entrenadas para la extracción de señalización horizontal en viales asfaltados

Resumen

Resumen:

Este trabajo de fin de grado se centra en la comparación cuantitativa y cualitativa del rendimiento de redes de segmentación semántica entrenadas para la extracción de señalización horizontal en viales asfaltados. El objetivo principal es evaluar diferentes modelos de segmentación semántica y determinar su capacidad para identificar y reconocer con precisión la señalización vial en imágenes de carreteras.

La segmentación semántica es una técnica fundamental en la visión por computadora que permite asignar etiquetas semánticas a cada píxel de una imagen. En este caso, se utiliza para identificar y delimitar la señalización horizontal, como marcas de carril, líneas de cruce y flechas, en carreteras asfaltadas.

El trabajo se enfoca en la comparación tanto cuantitativa como cualitativa del rendimiento de diferentes modelos de segmentación semántica. La comparación cuantitativa implica evaluar métricas de rendimiento utilizando conjuntos de datos etiquetados y métricas predefinidas. Esto permitirá determinar qué modelo obtiene los mejores resultados en la detección de la señalización horizontal.

Se utiliza un conjunto de datos etiquetados que contiene imágenes de carreteras con señalización horizontal para entrenar y evaluar los modelos. Además de la comparación cuantitativa, se realiza una evaluación cualitativa del rendimiento de los modelos. Esto implica examinar visualmente los resultados obtenidos de los entrenamientos de las redes.

La implementación de los modelos de segmentación semántica se realiza utilizando Python como lenguaje de programación principal y la biblioteca PyTorch como plataforma de aprendizaje profundo.

Abstract:

This end-of-studies project focuses on the quantitative and qualitative comparison of the performance of semantic segmentation networks trained for the extraction of horizontal signage on asphalt roads. The main objective is to evaluate different semantic segmentation models and determine their ability to accurately identify and recognize road signals in orthoimages containing road elements.

Semantic segmentation is a fundamental technique in computer vision that allows assigning semantic labels to each pixel in an image. In this project, it is used to identify and delineate horizontal signage, such as lane markings, crosswalk lines, and arrows, on asphalt roads.

The work focuses on both the quantitative and qualitative comparison of the performance of different semantic segmentation models. The quantitative comparison involves evaluating performance metrics using labeled datasets and predefined metrics. This will help determine which model achieves the best results in detecting horizontal signage.

A labeled dataset containing road images with horizontal signage is used to train and evaluate the models. In addition to the quantitative comparison, a qualitative evaluation of the performance of the models is conducted. This operation involves visually examining the results obtained from training the networks.

The implementation of the semantic segmentation models is carried out using Python as the main programming language and the PyTorch library as the deep learning platform.