FenixEdu™

Dissertação

{en_GB=An Attentional Architecture for CNN-Based Visual Detection and Tracking} {} EVALUATED

Detalhes: {pt=Neste trabalho apresenta-se um sistema completo para a tarefa de deteção e seguimento visuais de embarcações no cenário marítimo. Este tipo de cenário apresenta dificuldades particulares que requerem atenção adicional, como a refleção do sol atingir o equipamento de gravação, o padrão de arrasto das embarcações causado pelo seu movimento, e o movimento rápido dos objetos de interesse. Por forma a lidar com este tipo de desafios, considerações adicionais são necessárias. Estas considerações aumentam a robustez do sistema final e permitem atingir desempenho de estado da arte. O sistema de seguimento usa um filtro de correlação com \textit{features} visuais extraídas a partir de uma CNN e o detetor usa outra CNN para a tarefa de indicar a localização de cada embarcação marítima. O sistema proposto utiliza um modelo de atenção de forma a gerir melhor os recursos computacionais e combinar as duas tarefas, deteção e seguimento, que tem requisitos computacionais distintos, de maneira a que seja possível trabalharem em sincronia e atinjam desempenho de tempo real. O sistema proposto é avaliado numa suíte de testes própria e os resultados obtidos são discutidos. Os resultados mostram que utilizar um modelo de atenção baseado num filtro Bayesiano traz vantagens relativamente às abordagens a modelos de atenção restantes, especialmente nos cenários com uma grande densidade de embarcações marítimas. O conjunto de dados utilizado nas avaliações em sequeências reais foram obtidas no âmbito do projeto SEAGULL., en=In this work an end-to-end system for the task of visual detection and tracking of vessels in the maritime setting is presented. Such setting presents challenging difficulties such as sun reflections hitting the recording equipment, wake patterns caused by the vessel's motion, and fast motion of the subjects of interest. In order to handle this kind of challenges, additional considerations for robustness need to be made so state of the art performance is achieved. The tracking system uses correlation filtering with image features derived from a CNN, and the detector uses another CNN for the bounding box regression task. The proposed system uses an attention model to better manage computational resources and combine two tasks, tracking, and detection, that have different performance requirements, so they work in synchrony and achieve real-time performance. The proposed system is evaluated with a benchmark and the results discussed. Results show that using a attention model based on a Bayesian filter has clear advantages against the remaining alternatives, specially in settings with a high density of maritime vessels. The dataset used to perform the evaluations on real sequences was obtained under the SEAGULL project.}
Keywords: {pt=CNN, Correlação, KCF, Modelo de Atenção, Rede Neuronal, en=Attention Model, CNN, Correlation, KCF, Neural Network}

Discussão: novembro 17, 2017, 9:0