Por favor, use este identificador para citar o enlazar este ítem: https://ri-ng.uaq.mx/handle/123456789/3799
Registro completo de metadatos
Campo DC Valor Lengua/Idioma
dc.rights.licensehttp://creativecommons.org/licenses/by-nc-nd/4.0es_ES
dc.contributorDiana Margarita Cordova Esparzaes_ES
dc.creatorKenneth Mejía Pérezes_ES
dc.date2022-09-01-
dc.date.accessioned2022-08-15T15:11:35Z-
dc.date.available2022-08-15T15:11:35Z-
dc.date.issued2022-09-01-
dc.identifierLSMes_ES
dc.identifierClasificaciónes_ES
dc.identifierRedes neuronaleses_ES
dc.identifierCámara RGB-Des_ES
dc.identifier.urihttp://ri-ng.uaq.mx/handle/123456789/3799-
dc.description"El reconocimiento automático de la lengua de señas es una tarea compleja en el área de visión por computadora y aprendizaje automático. La mayoría de los trabajos que se encuentran en la literatura se han centrado en reconocer la lengua de señas usando solo gestos con las manos. Sin embargo, el movimiento del cuerpo y los gestos faciales juegan un papel esencial en la interacción de la lengua de señas. Teniendo esto en cuenta, en este proyecto de investigación se desarrolló un sistema de reconocimiento de la lengua de señas basado en la detección de puntos característicos de las manos, el cuerpo y la cara que se emplean al realizar una seña. Para la adquisición de las señas se utilizó una cámara de profundidad con el propósito de obtener las coordenadas 3D que caracterizan cada seña, capturando un total de 3000 secuencias de datos que corresponden a 30 señas estáticas y dinámicas de la Lengua de Señas Mexicana. Para la clasificación automática del conjunto de señas, se evaluaron tres arquitecturas diferentes que permiten el tratamiento de secuencias temporales: la red neuronal recurrente (RNN, por sus siglas en inglés), la memoria a corto y largo plazo (LSTM, por sus siglas en inglés) y la unidad recurrente cerrada (GRU, por sus siglas en inglés). Para evaluar el rendimiento de cada clasificador se calculó la precisión, la recuperación y la exactitud. Al finalizar la etapa de experimentación y validación de resultados, se puede concluir que la memoria a corto plazo (LSTM) funcionó mejor con entradas ruidosas y la unidad recurrente cerrada (GRU) funcionó mejor sin entradas ruidosas y con menos parámetros entrenables."es_ES
dc.formatAdobe PDFes_ES
dc.language.isospaes_ES
dc.relation.requiresNoes_ES
dc.rightsEn Embargoes_ES
dc.subjectINGENIERÍA Y TECNOLOGÍAes_ES
dc.subjectCIENCIAS TECNOLÓGICASes_ES
dc.subjectCIENCIA DE LOS ORDENADORESes_ES
dc.title"Sistema de reconocimiento del Lenguaje de Señas Mexicano basado en una cámara RGB-D y aprendizaje automático "es_ES
dc.typeTesis de maestríaes_ES
dc.creator.tidcurpes_ES
dc.contributor.tidcurpes_ES
dc.creator.identificadorMEPK980409HHGJRN08es_ES
dc.contributor.identificadorCOED850222MZSRSN06es_ES
dc.contributor.roleDirectores_ES
dc.degree.nameMaestría en Ciencias de la Computaciónes_ES
dc.degree.departmentFacultad de Informáticaes_ES
dc.degree.levelMaestríaes_ES
Aparece en las colecciones: Maestría en Ciencias de la Computación

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
RI006822.pdf2.59 MBAdobe PDFVista previa
Visualizar/Abrir
Mostrar el registro sencillo del ítem


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.