Dissertação
{en_GB=OmniDRL: Robust Pedestrian Detection using Omnidirectional Cameras and Deep Reinforcement Learning} {} EVALUATED
{pt=A detecção de pedestres é um dos tópicos mais explorados em Visão por Computador. O aumento do uso de deep learning em Visão por Computador nos últimos anos permitiu o aumento de novos algoritmos para detecção de objectos e em particular em detecção de pedestres. Uma das principais classe de algoritmos baseia-se na utilização de deep learning em Reinforcement Learning. No entanto, a detecção de objectos em sistemas omnidireccionais é um tema pouco investigado na literatura, dada a existência de complexidades associadas à distorção. Apesar disso, estes sistemas são muito úteis para diferentes tipos de aplicações, como por exemplo, desde sistemas de vigilância a percepção em robótica. Nesta dissertação, eu apresento uma nova técnica para uma robusta detecção de pedestres em sistemas catadióptricos centrais usando deep Reinforcement Learning. O meu método é testado e comparado com outras técnicas que não consideram os problemas associados com a distorção. Para além do novo formalismo presentado, os resultados deste novo método superam os do Estado da Arte., en=Pedestrian detection is one of the most explored topics in Computer Vision and Pattern Recognition. The increase use of deep learning methods in the Computer Vision community allowed the development of new and highly competitive algorithms for object detection, particularly for pedestrian detection. A class of such methods is based on deep Reinforcement Learning. However, for object detection in omnidirectional camera systems the literature is still scarce, due to the complexities associated with their high distortions. Nonetheless, these systems, namely catadioptric imaging devices are strongly beneficial for various applications (ranging from video surveillance to perception in robotics). In this thesis, I present a novel efficient technique for robust pedestrian detection, using omnidirectional catadioptric camera systems with deep Reinforcement Learning. My method is tested and compared with current related approaches that do not consider the underlying distortions aforementioned. Besides the novel formalism presented herein, my method improves significantly the results when compared with state-of-the-art methodologies.}
maio 29, 2018, 17:30
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Jacinto Carlos Marques Peixoto do Nascimento
Departamento de Engenharia Informática (DEI)
Professor Auxiliar
