Sistema de Segmentación de Objetos en Paralelo mediante Redes Neuronales y la Metodología CRISP-DM para la Optimización de Procesos de Seguridad y Vigilancia en Tiempo Real

El presente trabajo presenta el desarrollo de un sistema de segmentación de objetos en tiempo real utilizando redes neuronales convolucionales (CNN), específicamente U-Net, optimizadas para procesamiento paralelo en GPU, bajo la metodología CRISP-DM. El sistema fue diseñado para mejorar los procesos de seguridad y vigilancia en escenarios complejos, minimizando los tiempos de inferencia y aumentando la precisión en la detección de objetos. Se emplearon datasets como COCO y Cityscapes, y se integraron tecnologías como TensorFlow, CUDA y OpenCV. La evaluación mostró altos niveles de precisión (F1-score > 0.85) y tiempos de respuesta adecuados para aplicaciones en vigilancia activa. El proyecto se alinea con los Objetivos de Desarrollo Sostenible (ODS) en innovación tecnológica y ciudades seguras.