1. Introducción
1.1. Resumen
1.2. Motivación
1.3. Objetivos
1.4. Organización del documento
2. Visión por computadora
2.1. Conceptos básicos
2.1.1. Sistemas de representación
2.1.2. Escala de grises
2.1.3. RGB
2.2. Descriptores
2.2.1. Histograma de gradientes orientados
2.2.2. Patrón binario local
2.3. Modelos de clasificación
2.3.1. Máquinas de vectores de soporte (SVM)
2.3.2. Redes neuronales
2.4. Clasificación de peatones
2.5. Detección de peatones
2.5.1. Ventanas deslizantes
2.5.2. Imagen en pirámide
2.5.3. Intersección sobre la unión (Intersection Over Unión)
2.5.4. Supresión no máxima
2.5.5. Seguimiento (Tracking)
2.5.6. Hard Negative Mining
2.6. Métricas
3. Deep Learning
3.1. Redes neuronales biológicas
3.2. Redes neuronales artificiales
3.3. Perceptrón
3.4. Neuronas Sigmoideas
3.5. Redes Feedforward
3.6. Backpropagation
3.6.1. Función de error
3.6.2. Gradiente descendente
3.6.3. Algoritmo de backpropagation
3.6.4. Sobreajuste
3.7. Redes neuronales convolucionales
3.7.1. Capa Max Pooling en 2D
3.7.2. Capa Dropout
3.8. Funciones de activacion
4. Transferencia de aprendizaje
4.1. Datasets
4.1.1. INRIA
4.1.2. Daimler
4.1.3. TUD-Brussels
4.1.4. Daimler Mono Pedestrian Detection Benchmark Dataset
4.1.5. Generación de ejemplos extra
5. Experimentación
5.1. Comparación de algoritmos de machine learning
5.1.1. Preprocesamiento y parámetros del SVM
5.1.2. Resultados con SVM
5.1.3. Resultados con Deep Learning
5.2. Experimentos de transferencia
5.2.1. Resultados de transferencia
5.2.2. Conclusión de transferencia
6. Conclusión y trabajo a futuro
6.1. Conclusiones generales
6.2. Líneas de trabajo futuras