1

APP MÓVIL INTELIGENTE DE PROCESAMIENTO DE

IMÁGENES PARA GESTIONAR LA BÚSQUEDA DE
AUTOS ROBADOS EN EL DEPARTAMENTO DE LIMA
INTELLIGENT MOBILE APP FOR IMAGE PROCESSING TO
MANAGE THE SEARCH FOR STOLEN CARS IN THE
DEPARTMENT OF LIMA.

Marco Antonio Yupanqui Saca Julio Cesar Leyva Leyva

[Link] [Link]
[Link]@[Link] a2022202153@[Link]
Wiener Private University Faculty of Engineering and Norbert Wiener Private University Faculty of Engineering
Computer Science and Computer Science
Lima Perú Lima Perú

Ronaldinho Quispe Quispe Walter David Molina Silva

[Link] [Link] 0000-0001-9802-9634
a2021102869@[Link] a2022202153@[Link]
Norbert Wiener Private University Faculty of Engineering Norbert Wiener Private University Faculty of Engineering
and Computer Science and Computer Science
Lima Perú Lima Perú.

Resumen

El objetivo principal de este artículo es proponer una mejora significativa en el sistema actual de
búsqueda de autos robados en el Departamento de Lima mediante el desarrollo de una aplicación
móvil inteligente de procesamiento de imágenes. La problemática que aborda esta investigación se
centra en las limitaciones del proceso actual de búsqueda de vehículos robados, que conlleva a
una coordinación ineficiente, falta de comunicación efectiva, pérdida de tiempo y, en última
instancia, afecta la eficacia de las operaciones de recuperación de automóviles robados. La
metodología empleada en esta investigación es cualitativa, adoptando un enfoque descriptivo. Los
resultados se basan en la comparación entre la eficacia de la búsqueda de autos robados con y sin
la aplicación móvil inteligente.

Abstract

The main objective of this article is to propose a significant improvement in the current system for
searching for stolen cars in the Department of Lima through the development of an intelligent
mobile image processing application. The problem addressed by this research focuses on the
limitations of the current process of searching for stolen vehicles, which leads to inefficient
coordination, lack of effective communication, loss of time and, ultimately, affects the
effectiveness of recovery operations. stolen [Link] methodology used in this research is
qualitative, adopting a descriptive approach. The results are based on the comparison between the
effectiveness of searching for stolen cars with and without the smart mobile application.
 2

I. INTRODUCCIÓN II. ANTECEDENTES

Tener estadísticas sobre el número de vehículos Los antecedentes que se tomaron para
robados en la India es alarmante. Según el desarrollar esta aplicación en base a la lucha
Informe de robo de vehículos de Acko, en contra la delincuencia en este caso el robo de
Delhi-NCR, indica que por cada 12 minutos se autos algunos antecedentes relevantes:
roba un vehículo. (Shafi, 2023).
Problemas de robo de autos: A medida que
Es por ello que la demanda de la seguridad aumentó el número de vehículos en Lima,
está aumentando en todos los sectores de la también aumentaron los casos de robos de
sociedad a medida que se acelera el ritmo del autos. Esto generó la necesidad de encontrar
desarrollo tecnológico. El tener acceso a un formas más efectivas de poder combatir el
coche es fundamental. Al mismo tiempo, evitar problema.
que se produzcan robos es fundamental
(Jeevitha K. 2023). Denuncias por teléfono: Las personas
suelen denunciar robos de autos a la policía y
En Perú, a través de la Policía Nacional del en algunas ocasiones, este proceso es lento y
Perú, responsable de planificar y desarrollar poco eficiente debido a la falta de detalles o
estrategias para asegurar la tranquilidad y paz gestión realizada por el efectivo policial.
social de la comunidad. En cuanto al robo de
vehículos y delitos conexos, se ha creado la Avance tecnológico: Con el avance de la
División de Prevención e Investigación de tecnología móvil, se volvió posible desarrollar
Robo de Vehículos (DIVPIRV PNP), donde en aplicaciones que permitieran a las personas
la actualidad no cuenta con la información informar robos de autos de manera rápida y
necesaria y oportuna para llevar a cabo un precisa.
adecuado procedimiento de identificación de Colaboración entre las comunidades: Las
vehículos siniestrados. (Quintanilla 2021). aplicaciones de denuncia de robos de autos
fomentan la colaboración entre la población y
Para combatir este problema, se ha los policías. Los ciudadanos pueden
desarrollado una aplicación móvil inteligente proporcionar información en tiempo real lo que
de procesamiento de imágenes para gestionar la ayuda a las autoridades a tomar mejores
búsqueda de autos robados en el departamento medidas.
de Lima. Esta aplicación está diseñada para Recuperación exitosa de vehículos robados: La
ayudar tanto a la sociedad como a las agencias implementación de estas aplicaciones ha
policiales a identificar rápidamente vehículos llevado a una mayor tasa de recuperación de
robados y rastrearlos, reduciendo vehículos robados.
potencialmente la cantidad de autos robados en
la ciudad. Desarrollo de aplicaciones específicas: En
muchos lugares, se han desarrollado
En este artículo, explicaremos las aplicaciones específicas para reportar autos
características y beneficios de esta aplicación, robados. Estas aplicaciones suelen ser gratuitas
así como su impacto potencial en el robo de y están disponibles para su descarga en
vehículos en Lima, Peru. dispositivos móviles. Los usuarios pueden
completar formularios detallados con
información sobre el vehículo robado,
incluyendo la marca, modelo, color y número
de matrícula. Seguridad de datos: La seguridad
 3

de los datos es un aspecto crucial en estas Estadística e Informática, se registraron 6,411

aplicaciones, ya que la información sobre casos de robo de vehículos en la zona
vehículos robados es sensible y debe ser metropolitana de Lima en el último año. Los
manejada de manera segura para evitar posibles distritos con mayor incidencia de robos de
filtraciones vehículos en Lima incluyen San Juan de
Lurigancho, Comas y Los Olivos, donde se
concentra aproximadamente el 40% de los
2.1 Problemática nivel internacional casos reportados, según datos recopilados por
la Policía Nacional del Perú.
Con respecto a Sudamérica, las tasas de robo La persistente problemática de robos de
de autos son relativamente altas, por ejemplo, vehículos contribuye a una percepción
en Venezuela se informó que la tasa de autos generalizada de inseguridad entre los residentes
robados superó el 40% por cada 1000 de Lima, lo que puede tener un efecto negativo
habitantes en el 2020, una de las más altas en en la vida cotidiana y en la decisión de
Sudamérica, Brasil también a experimentado inversión en la ciudad.
tasas superiores al 20% con respecto a los
robos de autos. En países como Argentina los III. METODOLOGIA Y MATERIALES
modelos de autos más robados son vehículos
económicos y de gama media, en Venezuela es 3.1 Materiales:
distinto ya que es más grave debido a que los
robos se enfocan a vehículos de lujo Los materiales elegidos para el presente
(Quintanilla 2021) proyecto han sido seleccionados en su mayoría,
por ser gratuitos o de bajo costo. A
2.1 Problemática nivel nacional continuación, se lista los materiales
identificados:
Según la Superintendencia Nacional de
Registros Públicos, en promedio, cada día se
roban 46 autos en el Perú. Además, el informe A. Base de Datos:
publicado en el diario La República revela que
solo de enero a julio del 2022 se ha registrado ➔Sistema de Administración de Base de Datos
un total de 9.758 robos de vehículos a nivel MySQL, el cual ha sido elegido porque soporta
nacional. Las estadísticas oficiales, durante el diferentes sistemas operativos, trabaja con una
período comprendido entre 2015 y 2021, se gran variedad de compiladores, se amolda bien
reportaron un total de 125.369 vehículos para aplicaciones ligeras de respuesta rápida,
robados en el país. En el último año registrado, procesa y accede a gran volumen de
se produjeron 19.991 casos de robo a nivel información.
nacional, de los cuales 6.411 ocurrieron en la
zona metropolitana de Lima, según datos ➔Firebase ha sido elegido ya que se encuentra
proporcionados por el Instituto Nacional de integrado en todos
Estadística e Informática (Chumpitaz 2022)
B. Hardware:
2.1 Problemática nivel especifico
➔Laptops (2 unidades), equipadas con sistema
En los últimos cinco años, se ha observado una
operativo Windows 10, SDD 250 GB, 16GB de
tendencia al alza en el número de robos de
Memoria RAM, procesador Intel i5.
vehículos en Lima, con un aumento del 15% en
comparación con el período anterior, según
estadísticas del Instituto Nacional de ➔Teléfono móvil inteligente – Smartphone (1
Estadística e Informática. Según datos Unidad), de marca Samsung modelo Galaxy
proporcionados por el Instituto Nacional de A14, con sistema operativo Android.
 4

C. Software: El proyecto se ha planificado en 4 sprints.

Estos eventos tienen una duración limitada de 3
➔Android Studio, ha sido elegido por que meses o menos con el fin de crear consistencia
permite ver los cambios visuales que se (Ramírez, 2019). En la Tabla 1, se explica la
realizan en la aplicación en tiempo real, planificación de los sprints.
además se visualizan en diferentes dispositivos
Android con distintas configuraciones y Tabla 1
resoluciones en forma simultánea, creando
diferentes versiones de la aplicación. Planificación de los sprints del proyecto.

➔VsCode, ha sido elegido por ser un entorno

N° Actividades principales Duraci
de desarrollo integrado muy poderoso para Sprint ón
desarrolladores de software, es multilenguaje
completo y modular, Es gratuito y de código
abierto, altamente personalizable, compatible
Documentación inicial
con varios lenguajes de programación, tiene
una gran comunidad y es compatible con varias 1 21
plataformas. días
Prototipo de las interfaces en
Balsamiq
➔ Techable Machine 2.0, ha sido elegido por
ser una herramienta de IA desarrollada por
Google y basada en la web que hace que la
Diseño de la base de datos
creación de modelos de aprendizaje automático
práctico y rápido, fácil de usar y accesible para 2 21
todos. Con esta herramienta optimizamos el días
entrenamiento mediante imágenes, sonidos o Desarrollo de las interfaces con el
posturas. framework Flutter

➔Python, es un lenguaje de programación

ampliamente utilizado en las aplicaciones web, Consulta de datasets para crear el
modelo de búsqueda
el desarrollo de software, la ciencia de datos y
el machine learning (ML). Los desarrolladores
utilizan Python porque es eficiente y fácil de
aprender, además de que se puede ejecutar en 3 Registro de modelos de autos en la 21
muchas plataformas diferentes base de datos días

3.2 METODOLOGIA
Visualización y obtención de auto
Scrum es una metodología que permite realizar encontrado
una distribución adecuada de responsabilidades
y tareas entre los miembros del equipo, así
como también nos permite dar seguimiento 4 Información sobre las características 21
puntual de los avances de las metas (Sprint), del auto días
con el fin de poder realizar los ajustes
necesarios en caso de requerirse (Ramírez,
2019). Ejecución de pruebas

A. Planificación
 5

Autor Nombre del Estructura

dataset

B. Esquema conceptual

En la Figura 2, se presenta de manera gráfica el CompCars CompCars Dataset de prueba,

proceso para desarrollar el modelo de (2021) Dataset entrenamiento y
validación
clasificación de imágenes y su conexión con la
aplicación móvil actualmente en uso. La fase
representada en verde comienza con la
recopilación de imágenes, fundamental para la Stanford AI Lab Stanford Cars Dataset de
creación del modelo clasificatorio de imágenes. (2023) Dataset entrenamiento y
validación
Se consideraron un total de X categorías,
basadas en datos proporcionados por el
Ministerio de Transporte (2022), que detalla los
autos más robados en Perú. Kaggle (2022) Cars Dataset Dataset de prueba,
(Kaggle) entrenamiento y
validación
Con las imágenes divididas en conjuntos de
prueba, entrenamiento y validación, se procede
a la creación del modelo utilizando redes
neuronales convolucionales (CNN) y Keras. La Grupo de Vehicle Dataset de prueba,
Tratamiento de Identification entrenamiento y
CNN, que se refiere a una arquitectura de red Imágenes (GTI) in validación
neuronal de alimentación directa capaz de (2021) Surveillance
discernir características específicas de los datos (VIDS)
Dataset
(Li et al., 2022), se implementa en conjunto
con Keras. Este último es un marco de alto
nivel que proporciona una interfaz sencilla e
intuitiva para la construcción y capacitación de PKU PKU Dataset de prueba,
VehicleID entrenamiento y
modelos de Deep Learning (Rao, 2023). Dataset validación
Posteriormente, se evalúan las métricas y se
guarda el modelo en el formato TensorFlow
Lite (.tflite), una versión liviana de TensorFlow
diseñada para implementar modelos de Zenodo (2021) Fruits-262 No estructurado

Machine Learning en dispositivos móviles

(Singh & Bhadani, 2020).
La sección de color azul se vincula con la
interacción del usuario en la aplicación App C. Clasificación de Imágenes
Car. El usuario accede a la funcionalidad de
clasificación de imágenes, y la fotografía La clasificación de imágenes es una rama de la
capturada se utiliza como entrada para el inteligencia artificial con numerosas
modelo. La conexión entre estas dos secciones aplicaciones, para la que se utilizan redes
se establece a través del modelo, representado neuronales capaces de detectar patrones en las
por la sección de color naranja. A continuación, imágenes.
la imagen recibe una etiqueta que se consulta La visión artificial puede aplicarse en campos
en la base de datos. de acción como la medicina, agricultura,
educación, reconocimiento de objetos, robótica,
La Tabla 3 proporciona información detallada redes neuronales la neuro computación y la
sobre los conjuntos de datos consultados. neurociencia, pasando por entornos
industriales, académicos y sociales, constituye
una arquitectura de representación de
 6

conocimiento para el aprendizaje visual en

sistemas de visión por computadoras. (Santa Esta funcionalidad se refiere a la capacidad de
Maria et al., 2021) un sistema o algoritmo para identificar y
localizar objetos específicos dentro de una
La visión artificial y el procesamiento de imagen. Es esencial en aplicaciones como
imágenes contiene un gran número de técnicas sistemas de vigilancia, conducción autónoma y
y soluciones, los algoritmos de detección reconocimiento de objetos en entornos
poseen altos rendimientos de procesamiento diversos.
por lo que se debe poseer una mayor cantidad
de iteraciones en el procesamiento de imágenes En este contexto, un autor relevante es
para análisis más concretos (Santos et al., Redmon, J., & Divvala, S. (2016), quienes
2020). presentaron la arquitectura de red neuronal
Además, la proliferación de dispositivos de llamada YOLO (You Only Look Once) para la
capturas de imágenes genera imágenes digitales detección de objetos en tiempo real. YOLO es
a nivel mundial. conocido por su eficiencia y rapidez al detectar
múltiples objetos simultáneamente en una
Implementando un sistema que contiene una imagen.
cámara que selecciona figuras conocidas,
independiente de su posición y orientación, La detección de objetos en imágenes mediante
para luego procesar el fotograma aplicando el uso de redes neuronales ha demostrado ser
algoritmos de extracción de la información una herramienta poderosa y versátil en la visión
contenida en estas, para mejorar el por computadora. Esta funcionalidad ha
reconocimiento de patrones y lograr reconocer encontrado aplicaciones en campos como la
objetos de orientación y posición desconocida, seguridad, la automatización industrial y la
además implementaron un sistema de control mejora de la interacción hombre-máquina. La
basado en la retroalimentación visual, también combinación de algoritmos de detección de
utiliza algoritmos para reconocimiento de objetos y redes neuronales ha llevado a avances
imágenes usando cámaras de video, así con el significativos en la identificación y localización
uso de un sistema de visión artificial se mejoró precisa de objetos en entornos visuales
el reconocimiento de patrones. (Reyes et al., complejos.
2019).
Proceso de IA en la Clasificación de
Imágenes:
Según el trabajo de Qing, Yu (2019) ha El proceso de clasificación de imágenes
demostrado que el método propuesto puede mediante inteligencia artificial, según Li
reconocer mejor las muestras de rostros cuando (2020), sigue un marco compuesto por tres
se agregan otras muestras de ruido a las etapas fundamentales: pre procesamiento,
muestras de imágenes de rostros, siendo este extracción de características y clasificación y
método superior a otros métodos para el reconocimiento de resultados. Cada fase
reconocimiento de contornos pequeños. Según desempeña un papel crucial en la formación de
el estudio de Carballo (2022) Se han un modelo eficiente.
desarrollado diferentes modelos de Inteligencia
Artificial, basándose en Deep Learning y, A continuación, se detallan los pasos
dentro de este, en redes neuronales involucrados, respaldados por las perspectivas
convolucionales donde han empleado una de diversos expertos.
metodología de Data Science para la obtención
de un diagnóstico óptimo. Preparación de datos: Este primer paso
implica la recopilación y organización de datos,
D. Funcionalidad de Clasificación de específicamente las imágenes que constituirán
Imágenes el modelo. Como señala Brownlee (2019), la
 7

normalización, una técnica de preparación de contribuciones de diversos expertos en el

datos estándar, es esencial para garantizar campo.
uniformidad y coherencia en el conjunto de
datos.

Extracción de características: La fase de

extracción de características se logra mediante
el uso de redes neuronales, como explican
LeCun et al. (2015). Estas redes aplican filtros
para identificar patrones visuales en diferentes E. Solución
niveles de abstracción, proporcionando la
información necesaria para el siguiente paso. Al facilitar la rápida notificación y localización
de los vehículos robados, la aplicación
Aprendizaje y entrenamiento: La etapa de contribuye a la reducción de robos de vehículos
aprendizaje y entrenamiento utiliza el conjunto al aumentar y la probabilidad de recuperación
de datos de entrenamiento y las características por parte del afectado.
extraídas para mejorar el modelo. Algoritmos
de optimización, como la retropropagación del La IA y la tecnología permiten una
error, son empleados en esta fase. Las redes recuperación más rápida de los vehículos
neuronales convolucionales, en particular, son robados, lo que disminuye las pérdidas para los
valiosas en este contexto (LeCun et al., 2015), propietarios y las aseguradoras. La rápida
permitiendo que el modelo ajuste sus identificación y recuperación de vehículos
parámetros para mejorar la capacidad de robados contribuye a la seguridad general de la
clasificación. población, ya que se evita que estos vehículos
se utilicen en actividades delictivas.
Validación y ajuste de hiperparámetros:
Para evaluar el rendimiento del modelo y Facilita la labor a los efectivos policiales al
realizar ajustes, se utiliza un conjunto de proporcionar información precisa sobre
validación. Agrawal (2021) destaca la vehículos robados, lo que les permite actuar de
importancia de los hiperparámetros, manera más eficiente. La aplicación utiliza la
configurados manualmente antes del IA para reportar y encontrar autos robados no
entrenamiento, en función de las características solo beneficia a los propietarios de vehículos,
de los datos y la capacidad del algoritmo para sino que también contribuye a la seguridad y la
aprender. eficiencia de las comunidades al disuadir el
robo de vehículos y facilitar su recuperación
Evaluación y prueba: En la fase final, se
evalúa el rendimiento del modelo entrenado
utilizando un conjunto de pruebas. Loshchilov
y Hutter (2020) subrayan la necesidad de Prototipo del Software:
utilizar un conjunto de datos de prueba
separado para comparar y evaluar el
rendimiento de distintas combinaciones de
hiper parámetros, asegurando un rendimiento
óptimo en conjuntos de datos no vistos
previamente.

Este enfoque estructurado demuestra la

importancia de cada etapa en el proceso de
clasificación de imágenes mediante inteligencia
artificial, respaldado por la experiencia y las
 8

conexión con la base de datos, implementada

mediante PHP y también el uso de Firebase .
La vista se refiere a la propia aplicación,
mientras que los controladores incluyen un
controlador de eventos responsable de las
ejecuciones en la aplicación, junto con un
controlador de base de datos conocido como
"database controller" y otro destinado a mostrar
los resultados de los carros en la de la
aplicación

Arquitectura de la aplicación

El Modelo Vista Controlador (MVC) es un

patrón arquitectónico que organiza el diseño de
software en tres componentes: (2021)Gamma,
E
Para el modelo presentado, se usó el SGBD
● Modelo (Model): Representa la lógica
MySQL y Tensor Flow Lite también se usó el
de negocio y los datos.
Firebase. Para “vista”, se usó el framework
● Vista (View): Presenta la información
Flutter,Dart es un lenguaje de programación
al usuario y muestra los datos del
desarrollado por Google(Grindal, Ii, 2028).
Modelo.
Para “controlador”, se usó el lenguaje PHP,
● Controlador (Controller): Gestiona las
para realizar consultas a la base de datos.
interacciones del usuario, actualiza el
Modelo y refresca la Vista. VI. CONCLUSIÓN Y FUTUROS
TRABAJOS
En la Figura 12, se presenta la estructura
adoptada: Modelo Vista Controlador (MVC) y En conclusión, este proyecto logró
una representación visualiza una arquitectura implementar con éxito una aplicación móvil
de tres componentes: Modelo, Vista y inteligente dedicada al procesamiento de
Controlador. La capa de interfaz, utilizada por imágenes para gestionar la búsqueda de autos
el usuario, se sitúa en la parte superior, seguida robados en el departamento de Lima. La
por la capa lógica que ejecuta todos los digitalización de este proceso se tradujo en
procesos de la aplicación. Asimismo, se mejoras significativas en la eficiencia y
observa una tercera capa que corresponde a la
 9

efectividad de la gestión de casos de vehículos K. S., & Porta, T. F. (2021). PicSys: Energy-
robados. La aplicación incluye funcionalidades Efficient Fast Image Search on Distributed
clave, como la identificación rápida de autos Mobile Networks. IEEE Transactions on
Mobile Computing, 20, 1574-1589.
robados mediante técnicas avanzadas de
procesamiento de imágenes. [2] Stebbins, A. W. (2007).
Reconocimiento avanzado de automóviles
Además, se integraron características mediante el uso de técnicas de procesamiento
adicionales para potenciar la utilidad de la de imágenes.
aplicación. Se implementó una función de
búsqueda que permite localizar rápidamente la [3] Sreedevi, A., & Nair, S. S. (2011).
información relacionada con autos robados, Sistema de prevención y detección de robo de
mejorando así la capacidad de respuesta en vehículos en tiempo real basado en
procesamiento de imágenes. En 2011 Congreso
situaciones críticas. También se incluyeron
Internacional sobre Automatización, Control y
secciones informativas para mantener a la Computación de Procesos (pp. 1-6)
comunidad actualizada sobre los casos y
eventos relacionados con robos de autos en la [4] Shammi, S., Islam, S., Rahman, H. A.,
región. & Zaman, H. U. (2018). Una forma
automatizada de detección de robo de
El uso de un visor de inteligencia artificial en el vehículos en estacionamientos mediante la
procesamiento de imágenes fortaleció la identificación de vehículos en movimiento en
seguridad y confiabilidad del sistema, una transmisión de video CCTV. En 2018
Conferencia Internacional sobre
minimizando posibles problemas de
Comunicación, Computación e Internet de las
identificación errónea o suplantación de Cosas (IC3IoT) (pp. 36-41). Enlace
información. Este enfoque tecnológico
avanzado se alinea con las mejores prácticas y [5] Dlagnekov, L., & Belongie, S. J.
estándares en el campo de la seguridad (2005). Reconocer coches.
vehicular.
[6] Shafi, D. S., Pavan, T., Reddy, S. K.,
En perspectiva, se visualiza el potencial de Silla, R., & Yasmeen, M. (2023). Modelo de
detección de vehículos robados en tiempo real
ampliar las funcionalidades de la aplicación
basado en aprendizaje profundo con precisión
para optimizar otros procesos relacionados con mejorada y tiempo de búsqueda reducido. En
la seguridad vehicular en el departamento de 2023 3er Congreso Internacional de
Lima. Se espera que esta aplicación móvil Tecnologías Inteligentes (CONIT) (pp. 1-6).
continúe evolucionando y se convierta en una
herramienta esencial para las autoridades [7] Solanki, J., Rajguru, V., & Saxena, A.
encargadas de la gestión y resolución de casos (2018). Reconocimiento de matrículas de
vehículos mediante técnica de procesamiento
de robos de autos, contribuyendo así a la
de imágenes.
mejora de la seguridad vial en la región.
[8] Sandhu, M., Kaur, S., & Kaur, J.
. (2017). Una aplicación del procesamiento de
imágenes: reconocimiento de matrículas.
V. REFERENCIAS
[9] Mohammad, A. B., Suneetha, M., &
[1] Felemban, N., Mehmeti, F., Muqeet, M. A. (2022). Un método eficiente
Khamfroush, H., Lu, Z., Rallapalli, S., Chan, para la detección de infractores de reglas de
 10

estacionamiento y robo de vehículos mediante

el reconocimiento automático de matrículas. En
2022 2da Conferencia Internacional sobre
Inteligencia Artificial y Procesamiento de
Señales (AISP) (pp. 1-4).

[10] Buzzelli, M. (University of Milano-

Bicocca). (2021). Revisiting the CompCars
Dataset for Hierarchical Car Classification:
New Annotations, Experiments, and Results.
Sensors, 21(2), 596. DOI: 10.3390/s21020596

[11] Sahin, V. H., Oztel, I., & Oztel, G. Y.

(Sakarya University). (2022). Human
Monkeypox Classification from Skin Lesion
Images with Deep Pre-trained Network using
Mobile Application. Journal of Medical