In this thesis we have explored the feasibility of using 3D Convolution Neural Networks (C3D) for a lane type classification task for micromobility vehicles, such as e-scooters or bicycles, with the objective of improve both drivers and pedestrian security. To accomplish our objectives, different configurations of expanded 3D architectures (X3D) have been trained and tested. The results obtained suggest that efficient C3D network models can perform lane type classification tasks better than 2D image classification systems in similar conditions.
En aquesta tesi hem explorat la viabilitat d’utilitzar Xarxes Neuronals Convolucionals
3D (C3D) per portar a terme un sistema de classificaci´o de tipus de via per a vehicles de
micromobilitat, com scooters el`ectrics o bicicletes, amb l’objectiu de millorar la seguretat
tant de conductors com de vianants.
Per complir amb els nostres objectius, s’han entrenat i testejat diverses configuracions
d’una xarxa 3D expandida (X3D). Els resultats obtinguts en els experiments realitzats
suggereixen que els models xarxes C3D eficients poden desenvolupar tasques de classificaci´o de tipus de v´ıa millor que sistemes de classificaci´o d’imatges 2D en condicions
similars.
En esta tesis hemos explorado la viabilidad de utilizar Redes Neuronales Convolucionales
3D (C3D) para llevar a cabo un sistema de clasificaci´on de tipo de v´ıa para veh´ıculos
de micromovilidad, como scooters el´ectricos o bicicletas, con el objetivo de mejorar la
seguridad de conductores y peatones.
Para cumplir con nuestros objetivos, hemos entrenado y testeado varias configuraciones
de una red 3D expandida (X3D). Los resultados obtenidos sugieren que los modelos de
redes C3D eficientes pueden desempe˜nar tareas de clasificaci´on de tipos de v´ıa mejor que
modelos de clasificaci´on de imagen 2D en condiciones similares
