1. Repositorio Institucional del Tecnológico Nacional de México (RI - TecNM)
2. Tesis de Posgrado
3. Morelos
4. Centro Nacional de Investigación y Desarrollo Tecnológico
5. Tesis CENIDET
6. Tesis de Maestría
7. Tesis de Maestría en Computación

Title:	Descripción automática de acciones en secuencias de imágenes
Authors:	Reyes Solorio, Diego Alejandro%1316110
metadata.dc.subject.other:	Visión por computadora, reconocimiento de acciones humanas, estimación de pose, ST-GCN.
Issue Date:	2025-10-27
Publisher:	Tecnológico Nacional de México
metadata.dc.publisher.tecnm:	Centro Nacional de Investigación y Desarrollo Tecnológico
Description:	El reconocimiento automático de acciones humanas plantea diversos desafíos técnicos relacionados con la variabilidad del movimiento corporal, la similitud entre ciertas acciones y las limitaciones inherentes a los enfoques basados en imágenes RGB. Factores como la complexión física del sujeto, la velocidad del movimiento, el entorno o el mobiliario introducen variaciones incluso dentro de una misma clase de acción. Además, existen acciones con trayectorias de movimiento similares, especialmente en sus fases iniciales o finales, lo cual dificulta su distinción por parte de los modelos de aprendizaje profundo. Estas condiciones motivan la necesidad de sistemas que utilicen representaciones más estructuradas del cuerpo humano, como los esqueletos, para mejorar la precisión y la generalización. Este proyecto presenta el desarrollo e implementación de un sistema de reconocimiento automático de acciones humanas, utilizando representaciones esqueléticas y redes neuronales convolucionales en grafos con modelado espaciotemporal (ST-GCN). El objetivo principal fue diseñar una arquitectura que, a partir de la estimación de poses corporales en videos, pudiera identificar un conjunto definido. Los resultados obtenidos muestran que el modelo alcanzó una precisión promedio del 99.37% en el conjunto de prueba, con valores F1-Score superiores al 98.9% en todas las clases. Las acciones con diferencias muy pronunciadas, fueron clasificadas de manera correcta, mientras que, en acciones con posturas parecidas entre sí, como “de pie” y “dolor de pecho”, se presentaron algunas confusiones que no comprometen el rendimiento general del modelo. Además, se validó su funcionamiento mediante transmisiones de video, confirmando su capacidad para realizar inferencias continuas con baja latencia y alta estabilidad en escenarios controlados. Este trabajo muestra que el uso de grafos esqueléticos y arquitecturas ST-GCN permite identificar acciones humanas específicas, representando una solución para aplicaciones de monitoreo en ambientes controlados.
metadata.dc.type:	info:eu-repo/semantics/masterThesis
Appears in Collections:	Tesis de Maestría en Computación

This item is protected by original copyright View License

This item is licensed under a Creative Commons License