Desarrollo de Entornos Virtuales para el Entrenamiento de Clasificadores

Detectar objetos en imágenes es una de las funcionalidades clave de múltiples aplicaciones. Los detectores más pro-metedores se entrenan a partir de muestras etiquetadas, basándose en su apariencia. Este proceso de etiquetaje es una tarea subjetiva realizada por humanos, que requiere de un gran esfuerzo y resulta en anotaciones poco precisas. El desarrollo de entornos virtuales controlables permite la generación automática de imágenes etiquetadas con gran precisión, donde los datos sintéticos obtenidos sirven para entrenar clasificadores, son posteriormente utilizados para detectar objetos en imágenes reales. En este proyecto, se implementa una herramienta para la obtención automática de imágenes sintéticas etiquetadas para entrenar clasificadores, a partir de un entorno virtual urbano controlable. Como prueba de concepto abordamos la detección de peatones a partir de las imágenes obtenidas del entorno creado. Los resultados se comparan con conjuntos de entrenamiento existentes, tanto virtuales como reales, demostrando que entrenamientos sintéticos y reales dan resultados parecidos en las detecciones, y que las mejoras en la calidad gráfica y la flexibilidad de los entornos virtuales permiten realizar grandes avances en la clasificación de objetos.Detecting objects in images is a key functionality of multiple applications. The most promising detectors are trained from labeled samples, based on their appearance. This annotation process is a subjective task performed by humans, it requires a lot of ef-fort and results in inaccurate annotations. The development of controllable virtual environments allows the automatic generation of la-beled images with great precision, where synthetic data is used for training classifiers, which are later used to make detections on real images. In this project, it is implemented a tool for automatic production of synthetic labeled images for training, from a controllable vir-tual urban environment. Proof of concept is based on pedestrian detection with the images obtained in the created environment. The results are compared with different datasets, virtual and real, showing that synthetic and real based training give similar results in de-tections, and that improvements in graphic quality and flexibility of the virtual environment allows important advances in object classifi-cation.Detectar objectes en imatges es una de les funcionalitats clau de múltiples aplicacions. Els detectors més prometedors s'entrenen a partir de mostres etiquetades, basant-se en la seva aparença. Aquest procés d'etiquetatge es una tasca subjectiva realitzada per humans, que requereix d'un gran esforç i resulta en anotacions poc precises. El desenvolupament d'entorns virtuals controlables admet la generació automàtica d'imatges etiquetades amb gran precisió, on les dades sintètiques obtingudes serveixen per entrenar classificadors, són posteriorment utilitzades per detectar objectes en imatges reals. En aquest projecte, s'implementa una eina per a l'obtenció automàtica d'imatges sintètiques etiquetades per entrenar classificadors, a partir d'un entorn virtual urbà controlable. Com a prova de concepte abordem la detecció de vianants a partir de les imatges obtingudes de l'entorn creat. Els resultats es comparen amb conjunts d'entrenament existents, tant virtuals com reals, demostrant que entrenaments sintètics i reals donen resultats semblants a les deteccions, i que les millores en la qualitat gràfica i la flexibilitat dels entorns virtuals permeten realitzar grans avenços en la classificació d'objectes