REVISTA DYNA NEW TECHNOLOGIES

Palabras clave:

Deep Learning, Residual Networks, Monocular Depth Estimation, image training, dataset, Aprendizaje Profundo, Redes Residuales, Estimación de Profundidad Monocular

Tipo de artículo:

ARTICULO DE INVESTIGACION / RESEARCH ARTICLE

Sección:

ARTICULOS DE INVESTIGACION / RESEARCH ARTICLES

RESUMEN:
Actualmente, las investigaciones en estimación de profundidad se han centrado en el uso del aprendizaje profundo, principalmente en estimación de profundidad monocular, debido a que esta técnica ha demostrado ser una excelente alternativa para los métodos que utilizan sensores cotosos o requieren un alto consumo computacional, proporcionando mayor rendimiento y exactitud. A pesar de haber una gran cantidad de trabajos, la mayoría se han centrado en conjuntos de datos de escenas de interiores y urbanas. Debido a esto, en este trabajo se realiza una comparativa de las variantes de redes residuales con imágenes de ambientes naturales con alta presencia de vegetación, obteniendo excelentes resultados.
Propusimos un nuevo conjunto de datos especializado en entornos naturales utilizando la simulación AirSim, para evaluar las variantes de las redes residuales y comprobar que estas pueden usarse para detectar hojas y ramas delgadas con su correspondiente profundidad. Llegamos a la conclusión de que una red residual neuronal más profunda no siempre es la mejor opción para la estimación de profundidad monocular. Es necesario considerar el tipo de arquitectura de la red, los recursos informáticos disponibles y el contenido y tamaño del conjunto de datos.

Palabras clave: Aprendizaje Profundo, Redes Residuales, Estimación de Profundidad Monocular