Automation of the labeling process using an image classification model using convolutional neural networks

• Autores: Veliz Sanca, Diego Jossmar, Ccori Huamani, Ronald Andre
• Formato: tesis de grado
• Fecha de Publicación: 2024
• Institución: Universidad Nacional de San Agustín
• Repositorio: UNSA-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unsa.edu.pe:20.500.12773/19380
• Enlace del recurso: https://hdl.handle.net/20.500.12773/19380
• Nivel de acceso: acceso abierto
• Materia: Machine learning; Convolutional neural network; Image classification; Labeled; https://purl.org/pe-repo/ocde/ford#2.02.04

Las tecnologías emergentes posibilitan reenfocar las estrategias de comunicación e interacción con los clientes y usuarios con innovaciones importantes, tales como el uso de vídeos de 360 y la realidad virtual inmersiva (VR) en la promoción turística y hotelera. El objetivo de este trabajo es aprovechar estas tecnologías para optimizar la creación de experiencias en 360, a partir de una automatización de procesos enfocada en la clasificación de imágenes que compondrán dicha experiencia. En nuestra propuesta diseñamos una red neuronal convolucional (CNN), cuyas funciones esenciales son el proceso de extracción de características y el proceso de clasificación y salida de imágenes, debido a que serán utilizados para la composición de tours virtuales. La etapa de extracción de características, está compuesta por varias capas ocultas, como la capa de convolución, la función de activación ReLU y la capa de agrupación. Posteriormente, se realiza el entrenamiento y posteriores pruebas con el objetivo de que el proceso de etiquetado de los videos en 360° sea realizado de manera automatizada por el prototipo del visualizador de recorridos virtuales, optimizando un proceso que tradicionalmente se realiza de forma manual. Las funcionalidades del modelo y los resultados de las pruebas fueron satisfactorias con un 95.09% de precisión, superando los indicadores de éxito para dicho modelo. Finalmente se establecen las conclusiones y recomendaciones para trabajos futuros.