000125573 001__ 125573 000125573 005__ 20230420124056.0 000125573 037__ $$aTAZ-TFG-2022-2267 000125573 041__ $$aspa 000125573 1001_ $$aVallejo Domínguez, Mateo 000125573 24200 $$aSaliency prediction in 360º videos with deep learning. 000125573 24500 $$aPredicción de saliencia en videos 360º mediante aprendizaje profundo. 000125573 260__ $$aZaragoza$$bUniversidad de Zaragoza$$c2022 000125573 506__ $$aby-nc-sa$$bCreative Commons$$c3.0$$uhttp://creativecommons.org/licenses/by-nc-sa/3.0/ 000125573 520__ $$aEl desarrollo de tecnologías de realidad virtual está introduciendo múltiples avances en un gran número de industrias, como en el entretenimiento, la formación profesional y la medicina. Sin embargo, cómo diseñar y mostrar experiencias de forma atractiva, inmersiva, y cómoda para el usuario sigue siendo uno de los principales retos asociados a la realidad virtual, por lo que existe una necesidad de estudiar cómo los usuarios perciben y exploran estos entornos virtuales. Para modelar el comportamiento visual de los usuarios, tradicionalmente se ha recurrido al estudio y análisis de las regiones que tienden a llamar la atención de los usuarios, denominadas regiones salientes. El campo de investigación de predicción de saliencia se encarga de estudiar y predecir la atención del sistema visual humano modelando las probabilidades de recibir fijaciones oculares según los estímulos visuales recibidos. A la hora de tratar de predecir la saliencia de contenido de realidad virtual, los modelos de predicción de saliencia para pantallas tradiciones no se adaptan correctamente a visores de realidad virtual, ya que los usuarios solo ven una región limitada del contenido total y pueden decidir mirar en direcciones concretas. De manera similar, los modelos de predicción de saliencia para imágenes estáticas no se adaptan correctamente a vídeos, ya que información contenida en fotogramas previos podría afectar a la saliencia de fotogramas posteriores, como ocurre en el seguimiento de objetos en movimiento. Es por ello que para la tarea de predicción de saliencia en vídeos inmersivos 360º es necesario desarrollar modelos específicos adaptados a las condiciones de visualización de éstos.<br />A lo largo del desarrollo del proyecto se ha implementado un modelo de red neuronal basado en técnicas actuales de aprendizaje profundo para abordar la tarea de predicción de saliencia en vídeos 360º, prestando especial atención a la dimensión temporal de los vídeos, que parece tener un papel fundamental en la atención visual humana. Comparando el modelo desarrollado con modelos actuales del estado del arte, se han obtenido resultados mejores en todas las métricas empleadas, a la vez que mostrando un comportamiento similar al que se puede ver en observadores reales, lo cual refleja la habilidad del modelo propuesto para imitar el comportamiento visual humano.<br /> 000125573 521__ $$aGraduado en Ingeniería Informática 000125573 540__ $$aDerechos regulados por licencia Creative Commons 000125573 700__ $$aBernal Berdún, Edurne$$edir. 000125573 700__ $$aGutiérrez Pérez, Diego$$edir. 000125573 7102_ $$aUniversidad de Zaragoza$$bInformática e Ingeniería de Sistemas$$cLenguajes y Sistemas Informáticos 000125573 8560_ $$f780029@unizar.es 000125573 8564_ $$s57677623$$uhttps://zaguan.unizar.es/record/125573/files/TAZ-TFG-2022-2267.pdf$$yMemoria (spa) 000125573 909CO $$ooai:zaguan.unizar.es:125573$$pdriver$$ptrabajos-fin-grado 000125573 950__ $$a 000125573 951__ $$adeposita:2023-04-20 000125573 980__ $$aTAZ$$bTFG$$cEINA 000125573 999__ $$a20220622140850.CREATION_DATE