Mejorando la segmentación semántica para la accesibilidad urbana mediante datos sintéticos de alta fidelidad
Fuente:
Redalyc
Guardado en:
| Autor principal: | |
|---|---|
| Formato: | Artículo científico |
| Lenguaje: | es |
| Publicado: |
Universidad Politécnica Salesiana
2026
|
| Materias: | |
| Acceso en línea: | |
| Etiquetas: |
Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
|
| _version_ | 1876484393965453312 |
|---|---|
| author | Santiago Felipe Luna Romero |
| author_facet | Santiago Felipe Luna Romero |
| contents | Mejorando la segmentación semántica para la accesibilidad urbana mediante datos sintéticos de alta fidelidad Santiago Felipe Luna Romero Renato Gouveia Mauren Abreu de Souza Ingeniería Accesibilidad datos sintéticos aprendizaje profundo ciudades inteligentes segmentación semántica La segmentación semántica de escenas urbanas es un componente clave para el desarrollo de ciudades inteligentes; sin embargo, su efectividad depende de grandes volúmenes de datos anotados a nivel de píxel, los cuales son costosos y especialmente escasos en clases críticas relacionadas con la accesibilidad y la movilidad asistida. Este trabajo tiene como objetivo mejorar la segmentación semántica para aplicaciones de accesibilidad urbana mediante el uso de datos sintéticos. La metodología propuesta integra la generación de datos sintéticos hiperrealistas utilizando Unreal Engine 5.1, el procesamiento automático de máscaras semánticas con etiquetas perfectas y el entrenamiento de modelos de segmentación de referencia. Se generaron 5036 imágenes anotadas en 22 clases, incluyendo aceras, sillas de ruedas y bastones. Se evaluaron dos arquitecturas de segmentación: una U-Net básica y DeepLabv3+ con módulos ASPP. El preentrenamiento con datos sintéticos incrementó el mIoU global de 0.0626 a 0.84, lo que representa una mejora de 13.4 ×, y produjo aumentos significativos en precisión, recall y F1-score (aproximadamente 6.8×, 9.3× y 10.4×, respectivamente). En clases críticas para la accesibilidad, se alcanzó un IoU de 0.94 para sillas de ruedas motorizadas y un recall de 0.98 para aceras. En total, las 22 clases superaron el umbral operativo de despliegue (IoU ≥ 0.75). Estos resultados demuestran que la incorporación de datos sintéticos, junto con estrategias de entrenamiento sensibles al desbalance de clases, constituye una solución efectiva y escalable para el desarrollo de sistemas robustos de segmentación semántica orientados a la accesibilidad urbana. 2026 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505583422019 https://www.redalyc.org/journal/5055/505583422019/ https://www.redalyc.org/journal/5055/505583422019/html/ https://www.redalyc.org/journal/5055/505583422019/505583422019.epub https://www.redalyc.org/journal/5055/505583422019/movil 10.17163/ings.n35.2026.09 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Num.35 |
| format | Artículo científico |
| id | redalyc_505583422019 |
| institution | Redalyc |
| language | es |
| publishDate | 2026 |
| publisher | Universidad Politécnica Salesiana |
| spellingShingle | Mejorando la segmentación semántica para la accesibilidad urbana mediante datos sintéticos de alta fidelidad Santiago Felipe Luna Romero Ingeniería Accesibilidad datos sintéticos aprendizaje profundo ciudades inteligentes segmentación semántica Mejorando la segmentación semántica para la accesibilidad urbana mediante datos sintéticos de alta fidelidad Santiago Felipe Luna Romero Renato Gouveia Mauren Abreu de Souza Ingeniería Accesibilidad datos sintéticos aprendizaje profundo ciudades inteligentes segmentación semántica La segmentación semántica de escenas urbanas es un componente clave para el desarrollo de ciudades inteligentes; sin embargo, su efectividad depende de grandes volúmenes de datos anotados a nivel de píxel, los cuales son costosos y especialmente escasos en clases críticas relacionadas con la accesibilidad y la movilidad asistida. Este trabajo tiene como objetivo mejorar la segmentación semántica para aplicaciones de accesibilidad urbana mediante el uso de datos sintéticos. La metodología propuesta integra la generación de datos sintéticos hiperrealistas utilizando Unreal Engine 5.1, el procesamiento automático de máscaras semánticas con etiquetas perfectas y el entrenamiento de modelos de segmentación de referencia. Se generaron 5036 imágenes anotadas en 22 clases, incluyendo aceras, sillas de ruedas y bastones. Se evaluaron dos arquitecturas de segmentación: una U-Net básica y DeepLabv3+ con módulos ASPP. El preentrenamiento con datos sintéticos incrementó el mIoU global de 0.0626 a 0.84, lo que representa una mejora de 13.4 ×, y produjo aumentos significativos en precisión, recall y F1-score (aproximadamente 6.8×, 9.3× y 10.4×, respectivamente). En clases críticas para la accesibilidad, se alcanzó un IoU de 0.94 para sillas de ruedas motorizadas y un recall de 0.98 para aceras. En total, las 22 clases superaron el umbral operativo de despliegue (IoU ≥ 0.75). Estos resultados demuestran que la incorporación de datos sintéticos, junto con estrategias de entrenamiento sensibles al desbalance de clases, constituye una solución efectiva y escalable para el desarrollo de sistemas robustos de segmentación semántica orientados a la accesibilidad urbana. 2026 artículo científico 1390-650X https://www.redalyc.org/articulo.oa?id=505583422019 https://www.redalyc.org/journal/5055/505583422019/ https://www.redalyc.org/journal/5055/505583422019/html/ https://www.redalyc.org/journal/5055/505583422019/505583422019.epub https://www.redalyc.org/journal/5055/505583422019/movil 10.17163/ings.n35.2026.09 es http://www.redalyc.org/revista.oa?id=5055 Ingenius. Revista de Ciencia y Tecnología application/pdf Universidad Politécnica Salesiana Ingenius. Revista de Ciencia y Tecnología (Ecuador) Num.35 |
| title | Mejorando la segmentación semántica para la accesibilidad urbana mediante datos sintéticos de alta fidelidad |
| topic | Ingeniería Accesibilidad datos sintéticos aprendizaje profundo ciudades inteligentes segmentación semántica |
| url | https://www.redalyc.org/articulo.oa?id=505583422019 https://www.redalyc.org/journal/5055/505583422019/ https://www.redalyc.org/journal/5055/505583422019/html/ https://www.redalyc.org/journal/5055/505583422019/505583422019.epub https://www.redalyc.org/journal/5055/505583422019/movil |