Diseño, implementación y evaluación de un sistema de segmentación y seguimiento de partes del cuerpo basado en “Deep Learning”

Abstract

El objetivo de este trabajo es la investigación y desarrollo de un sistema de segmentación y seguimiento de partes del cuerpo basado en técnicas de "Deep Learning". El aprendizaje profundo utiliza redes neuronales artificiales con diferentes niveles o capas conectadas. Estas redes son utilizadas para hacer predicciones de unos datos de entrada tras una etapa de entrenamiento. Los datos de entrada orientados a este proyecto son vídeos RGB recopilados de diferentes bases de datos. Tras una larga búsqueda, se recopilaron diferentes sistemas y bases de datos disponibles orientados a la detección de la postura humana en 3D. Se seleccionó uno de los sistemas y una base de datos para comenzar con el desarrollo. Se puso en marcha el sistema consiguiendo unos resultados óptimos. Y, después, se introdujeron dos propuestas. La primera propuesta orientada a comprobar la funcionalidad del sistema con una nueva base de datos. Y, la segunda propuesta, consistía en hacer diferentes experimentos con los distintos tipos de entrenamiento que nos encontramos, cambiando también ciertos valores (como el batch size) para detectar la combinación que mejores resultados ofrecía.

The objective of this work is the research and development of a body part segmentation and tracking system based on deep learning techniques. Deep learning uses artificial neural networks with different levels or layers connected. These networks are used to make predictions from input data after a training stage. The input data targeted for this project are RGB videos collected from different databases. After a long search, different available systems and databases oriented to 3D human pose detection were collected. One of the systems and a database was selected to start with the development. The system was implemented and optimal results were achieved. Then, two proposals were introduced. The first proposal was to test the functionality of the system with a new database. And, the second proposal consisted of carrying out different experiments with the different types of training that we found, also changing certain values (such as the batch size) to detect the combination that offered the best results.