http://hdl.handle.net/10498/15011 Thu, 05 Nov 2026 21:01:13 GMT 2026-11-05T21:01:13Z http://hdl.handle.net/10498/40163 Estimación de la distancia longitudinal en vídeos de tráfico mediante visión monocular y autocalibración geométrica Alejandro, Díaz Gómez Este Trabajo Fin de Máster aborda la estimación de la distancia longitudinal al vehículo precedente en secuencias de tráfico empleando únicamente una cámara monocular, sin calibración previa. Partiendo de un sistema ADAS desarrollado previamente, se investiga y compara la estimación de distancia basada en el ancho del carril con dos aportaciones: la corrección mediante la altura de la cámara y la proyección inversa al plano del suelo. Para ello se implementa una autocalibración geométrica que estima automáticamente, a partir de las líneas del carril, la altura y la orientación (pitch y yaw) de la cámara. El sistema se evalúa sobre secuencias de los datasets KITTI y Waymo, analizando la precisión de las estimaciones de posición y distancia, así como su coste computacional. Los resultados muestran errores medios reducidos y permiten caracterizar las ventajas y limitaciones de cada método.; Este Trabajo Fin de Máster aborda la estimación de la distancia longitudinal al vehículo precedente en secuencias de tráfico empleando únicamente una cámara monocular, sin calibración previa. Partiendo de un sistema ADAS desarrollado previamente, se investiga y compara la estimación de distancia basada en el ancho del carril con dos aportaciones: la corrección mediante la altura de la cámara y la proyección inversa al plano del suelo. Para ello se implementa una autocalibración geométrica que estima automáticamente, a partir de las líneas del carril, la altura y la orientación (pitch y yaw) de la cámara. El sistema se evalúa sobre secuencias de los datasets KITTI y Waymo, analizando la precisión de las estimaciones de posición y distancia, así como su coste computacional. Los resultados muestran errores medios reducidos y permiten caracterizar las ventajas y limitaciones de cada método. Tue, 14 Jul 2026 00:00:00 GMT http://hdl.handle.net/10498/40163 2026-07-14T00:00:00Z http://hdl.handle.net/10498/39948 IAPP: un estudio experimental sobre la representación involuntaria de marcas en la IA generativa de imagen. Fernández Muñoz, María del Carmen En los últimos años el marketing inmersivo se ha ido consolidando gracias a la presencia de la inteligencia artificial generativa. De esta forma, se ha transformado la manera en la que las marcas se comunican y la producción de contenido a escala. En este nuevo modelo de actuación, el product placement ha ido evolucionando desde la negociación comercial hacia apariciones automatizadas incontroladas. Este estudio analiza el fenómeno de algorithmic product placement, es decir, la aparición automatizada sin solicitud previa de marcas reales en los resultados creados por la IAG por medio de prompts genéricos, provocada por la saturación del mercado y el sesgo de popularidad de los datos de entrenamiento. Se busca evaluar cómo los sesgos de dichos datos acaban con la neutralidad de modelos de IAG como ChatGPT y Gemini. A través de un diseño metodológico experimental basado en un listado de prompts genéricos, se identifica y cuantifica la frecuencia con la que aparecen elementos de identidad corporativa, al mismo tiempo que se compara el nivel de sesgo comercial entre modelos de IAG para evaluar las variaciones que van surgiendo. Del mismo modo, se revisa el ecosistema investigado bajo un marco ético-legal vigente, como es el Reglamento de Inteligencia Artificial de la Unión Europea. Los resultados advierten que existe un vacío en la regulación ante la representación de marca de forma involuntaria, perpetuando un monopolio visual afectando a la libre competencia para pequeñas y medianas empresas, planteando nuevos desafíos relacionados con la publicidad encubierta y la protección del consumidor.; In recent years, immersive marketing has consolidated due to the presence of generative artificial intelligence. Consequently, the way brands communicate and how content is produced at scale has been transformed. In this new operational model, product placement has evolved from commercial negotiation toward uncontrolled, automated appearances. This study analyzes the phenomenon of algorithmic product placement, defined as the automated and unsolicited appearance of real brands in result generated by GenAI through generic prompts, caused by market saturation and the popularity bias of training data. The aim is to evaluate how biases in such data eliminate the neutrality of GenAI models like ChatGPT and Gemini. Through an experimental methodological design based on a list of generic prompts, the frequency with which corporate identity elements appear is identified and quantified, while simultaneously comparing the level of commercial bias between GenAI models to evaluate emerging variations. Similarly, the investigated ecosystem is reviewed under a current ethical-legal framework, specifically the European Union Artificial Intelligence Act. The results warn of a regulatory vacuum regarding involuntary brand representation, which perpetuates a visual monopoly that affects fair competition for small and medium-sized enterprises, while posing new challenges related to covert advertising and consumer protection. Mon, 01 Jun 2026 00:00:00 GMT http://hdl.handle.net/10498/39948 2026-06-01T00:00:00Z http://hdl.handle.net/10498/39740 Mejora del rendimiento de modelos de aprendizaje automático mediante el tratamiento del desequilibrio de clases Martínez Pareja, Francisco Blas El aprendizaje automático se ha consolidado como una herramienta fundamental para la detección de anomalías en ciberseguridad. Sin embargo, un problema frecuente en este ámbito es el desequilibrio de clases, donde los datos normales suelen superar ampliamente a los maliciosos. Esta desproporción limita el rendimiento de los modelos de aprendizaje, que tienden a favorecer la clase mayoritaria y a reducir la detección de instancias críticas como intrusiones o fraudes. Entre las técnicas más empleadas para abordar este desafío se encuentra SMOTE (Synthetic Minority Over-sampling Technique), que genera instancias sintéticas de la clase minoritaria mediante interpolación. Sin embargo, su diseño original no tiene en cuenta la correlación entre variables, lo que puede dar lugar a ejemplos poco representativos. En este trabajo se propone una variante de SMOTE que incorpora la relación entre atributos en el proceso de generación de datos sintéticos, con el fin de producir instancias más realistas y mejorar la capacidad de los modelos para reconocer comportamientos poco frecuentes. La propuesta ha sido evaluada sobre diferentes conjuntos de datos desbalanceados mediante varios algoritmos de clasificación. Los resultados muestran mejoras consistentes en métricas clave como recall, F1-score y AUC respecto a SMOTE clásico y otros métodos de sobremuestreo, logrando un mejor equilibrio entre la detección de ataques y el control de falsos positivos. En conclusión, la técnica desarrollada constituye una alternativa eficaz para tratar el desbalance de clases en escenarios complejos de ciberseguridad, favoreciendo la generalización y robustez de los modelos de aprendizaje automático. Mon, 29 Sep 2025 00:00:00 GMT http://hdl.handle.net/10498/39740 2025-09-29T00:00:00Z http://hdl.handle.net/10498/36811 Sistema de monitorización de tráfico en directo mediante detección de objetos basada en Deep Learning García Borges, Félix Emilio En un contexto donde la movilidad urbana eficiente y la seguridad vial son desafíos crecientes para las ciudades, se vuelve imprescindible desarrollar soluciones tecnológicas que permitan una gestión inteligente del tráfico. Aprovechando las tecnologías emergentes, en este trabajo se propondrá un sistema de monitoreo de tráfico en tiempo real que utiliza técnicas de Deep Learning para detectar y seguir vehículos de manera automática a partir de fuentes de vídeo en vivo. La plataforma captura flujos de vídeo, preprocesa las imágenes para enfocar áreas de interés y utiliza un modelo de inteligencia artificial entrenado para identificar y rastrear vehículos, generando conteos y estadísticas de circulación que permiten predecir flujos futuros. Estos datos se presentan a través de una API web moderna y se almacenan periódicamente en una base de datos, lo que facilita el análisis histórico y la integración con soluciones de gestión urbana y seguridad vial. Gracias a su arquitectura, el sistema puede adaptarse tanto a entornos de prueba como a implementaciones en ciudades de diferentes tamaños, proporcionando información clave para optimizar la movilidad y reducir la congestión. Tue, 24 Jun 2025 00:00:00 GMT http://hdl.handle.net/10498/36811 2025-06-24T00:00:00Z