Examinando por Autor "Sanchez, Angel"

Mostrando 1 - 3 de 3

Associated Reality: A cognitive Human–Machine Layer for autonomous driving
(Elsevier, 2020-11) Fernandez, Felipe; Sanchez, Angel; Velez, Jose F.; Moreno, Belen
Los Sistemas Avanzados de Asistencia al Conductor (ADAS) y los Vehículos Automatizados y Autónomos (AV) son sistemas y procesos cooperativos que utilizan: inteligencia artificial, métodos cognitivos, tecnologías en la nube, comunicaciones cooperativas Vehicle-to-everything (V2X), plataformas software–hardware, plataformas de sensores e infraestructuras de transporte inteligente incipientes, para lograr sistemas de conducción autónoma y servicios de movilidad conectada inteligente. Este artículo, para dar apoyo a los sistemas de conducción automatizada (de vehículos asistidos, semi-autónomos y totalmente autónomos), introduce una capa cognitiva llamada Realidad Asociada que permite realzar la información y mejorar los procesos involucrados de conocimiento y comunicación. La arquitectura definida incluye un Mapa Dinámico Local Aumentado, con capas complementarias, y una Base de Datos de Grafos Aumentada, con relaciones semánticas-cognitivas complementarias, para el propósito considerado, en sistemas cooperativos humano-máquina y máquina-máquina. Se definen puntos de referencia (landmarks) aumentados virtualmente para mejorar la conectividad y la inteligencia de los sistemas de información espacial involucrados. Se definen, categorizan y utilizan diferentes landmarks estructurales y secuenciales (regulares, repetitivos y periódicos), categorizados y usados en diversos escenarios de localización visual y de mapeo, para la conducción autónoma. En este artículo, también se muestra, como prueba de concepto para la localización y mapeo de vehículos en túneles viales, la detección visual de diferentes secuencias de luminarias periódicas, utilizando el algoritmo de detección basado en redes neuronales profundas YOLO v3, para la detección correspondiente de luces LED, o un procedimiento alternativo específico desarrollado con un coste computacional muy bajo.
On the influence of artificially distorted images in firearm detection performance using deep learning
(PeerJ, 2024-10-18) Corral-Sanz, Patricia; Barreiro-Garrido, Alvaro; Moreno, A. Belen; Sanchez, Angel
Detectar personas que portan armas de fuego en escenas exteriores o interiores generalmente permite identificar (o evitar) situaciones potencialmente peligrosas. Sin embargo, la detección automática de estas armas puede verse gravemente afectada por las condiciones de la escena. Comúnmente, en situaciones reales, estas armas pueden ser vistas desde diferentes perspectivas. También pueden tener tamaños variados y apariencias diferentes. Además, las imágenes que contienen estos objetos suelen ser complejas, y las armas de fuego pueden aparecer parcialmente ocluidas. Es común que las imágenes puedan verse afectadas por varios tipos de distorsiones, como: ruido impulsional, oscurecimiento de la imagen o desenfoque, entre otras. Todas estas variabilidades percibidas podrían degradar significativamente la precisión de la detección de armas de fuego. Las redes de detección profundas actuales ofrecen una buena precisión de clasificación, con alta eficiencia y usando recursos computacionales restringidos. Sin embargo, la influencia de las condiciones prácticas en las que se deben detectar estos objetos no ha sido suficientemente analizada. Nuestro artículo describe un estudio experimental sobre cómo un conjunto de distorsiones de imagen seleccionadas degrada cuantitativamente el rendimiento de la detección en imágenes de prueba, cuando las redes de detección solo han sido entrenadas con imágenes que no presentan dichas alteraciones. Las distorsiones de imágenes de prueba analizadas incluyen ruido impulsional, desenfoque, oscurecimiento de la imagen, reducción del tamaño de la imagen y oclusiones. Para cuantificar el impacto de cada distorsión individual en el problema de detección de armas, hemos utilizado una red estándar YOLOv5. Nuestros resultados experimentales han mostrado que la adición creciente de ruido de tipo sal-y-pimienta es, con mucho, la distorsión que más afecta el rendimiento de la red de detección.
The Augmented Space of a Smart City
(Institute of Electrical and Electronics Engineers, 2020-07-21) Fernandez, Felipe; Sanchez, Angel; Velez, Jose F.; Moreno, Belen
Resumen Los modelos dinámicos de ciudades inteligentes deben proporcionar descripciones mejoradas de los sistemas, procesos y servicios para facilitar su mejora continua, aprendizaje e innovación, orientados a satisfacer las crecientes necesidades de los ciudadanos formados involucrados. Este artículo propone un marco de arquitectura empresarial (EAF) para ciudades inteligentes, apoyado en un modelo híbrido basado en un sistema de información geográfica (SIG) y una base de datos de gráficos (GDB) asociada. El marco correspondiente permite gestionar e integrar: datos espaciales y no espaciales, datos dinámicos y estáticos, datos numéricos y semánticos, datos físicos y conceptuales, información y conocimiento, y relaciones asociadas de los sistemas urbanos, entorno y contexto correspondientes. El modelo de espacio aumentado considerado se basa en los principios de la realidad aumentada (RA) y el espacio aumentado (AS), que incluye sistemas aumentados, canales, imágenes, modelos y mapas. Este espacio cognitivo puede mejorar la gobernanza, la observabilidad y la controlabilidad, las interacciones, la visibilidad, la transparencia, el seguimiento y la revisión de los servicios urbanos correspondientes. El modelo es compatible con el marco de arquitectura empresarial seleccionado para alinear continuamente los objetivos, tecnologías, ecosistemas y hojas de ruta de las diversas partes interesadas de la ciudad. Se analizan varios factores de aplicación, a diferentes niveles, para demostrar las capacidades y posibilidades del modelo propuesto.