Dissertação

Pedestrian Detection with Multichannel Convolutional Neural Networks EVALUATED

A detecção de pessoas em geral, e a detecção de pedestres (DP) em particular, são tarefas importantes e desafiantes no contexto da interação homem-máquina, com aplicações em vigilância, robótica e Sistemas Avançados de Assistência ao Condutor. Os seus principais desafios devem-se à existência de variabilidade na aparência dos pedestres (e.g. relativamente ao vestuário), e às semelhanças com outros objetos (e.g. sinais de trânsito). Este trabalho propõe um método inovador para abordar o problema de DP, baseado em Redes Neuronais de Convolução (RNC). Mais concretamente, um modelo de RNC foi treinado para cada canal de entrada individual (e.g. RGB ou LUV) e representações de alto nível foram extraídas da penúltima camada. Finalmente, um modelo de RNC para múltiplos canais de entrada foi treinado (parcialmente ou integralmente) com estas representações. Durante o teste, as imagens foram pré-processadas com o detector Aggregated Channels Features (ACF) para gerar janelas candidatas a pedestres. Em seguida, estas janelas foram introduzidas no modelo de RNC para múltiplos canais, sendo efetivamente classificadas como pedestres ou não pedestres. O método desenvolvido é competitivo com o estado da arte, quando avaliado no conjunto de dados INRIA, conduzindo a melhorias relativamente ao método de base (ACF). Foram realizadas duas experiências, nomeadamente, utilizando o INRIA na totalidade com alta resolução, e utilizando parte do INRIA com baixa resolução. Adicionalmente, a metodologia desenvolvida pode ser aplicada com sucesso ao problema de DP em baixa resolução, tendo potencial para ser estendida a outras áreas através da integração de informação proveniente de várias entradas.
Detecção de Pedestres, Redes Neuronais de Convolução, canal de entrada individual, modelo de RNC para múltiplos canais, representações de alto nível

Dezembro 4, 2015, 15:0

Publicação

Obra sujeita a Direitos de Autor

Orientação

ORIENTADOR

Jacinto Carlos Marques Peixoto do Nascimento

Departamento de Engenharia Informática (DEI)

Professor Auxiliar