Adaptación y generación de modelos de segmentación con datos 360 para la asistencia en la conducción de motocicletas

Este proyecto de fin de máster tiene como objetivo desarrollar y analizar diferentes modelos de visión artificial aplicados a la asistencia en la conducción de motocicletas utilizando para esto datos de entornos urbanos capturados mediante una cámara de 360 grados. La singularidad de los datos 360 permite una percepción ambiental completa, esencial para la navegación segura en motocicletas. En el estado del arte podemos encontrar numerosas propuestas para la tarea de segmentación semántica en entornos urbanos. Sin embargo, todas estas tienen el inconveniente de requerir una gran cantidad de datos etiquetados para su entrenamiento. Este problema se une a la falta de datasets públicos con datos 360 que estén etiquetados. Por estos motivos, en este proyecto se propone, en primer lugar, revisar y completar el etiquetado de una base de datos 360 propia, y, utilizando estos datos, comparar diferentes estrategias para generar y adaptar modelos de segmentación a nuevos entornos. Inicialmente se pretende establecer resultados de referencia evaluando el resultado que se podría llegar a obtener al generar un modelo de segmentación con un dominio fuente completamente etiquetado y luego aplicarlo a un conjunto de datos objetivo distinto (nuestro dataset 360), sin aplicar técnicas de adaptación. Posteriormente, se explorará cómo la adaptación al dominio y las técnicas de transfer learning pueden mejorar la precisión de la segmentación al aprovechar los conocimientos obtenidos mediante el dominio fuente (completamente etiquetado) y transferirlos al objetivo. Este enfoque no solo busca superar las limitaciones de los modelos en entornos fuera de su dominio de entrenamiento original, sino también examinar la eficacia de incorporar un conjunto limitado de datos etiquetados del dominio objetivo para refinar el modelo a través de fine tuning.