Detección de peatones en video usando algoritmos de aprendizaje automático

Título:

Detección de peatones en video usando algoritmos de aprendizaje automático

Autor:

Camele, Genaro

Otros autores / Colaboradores:

 Hasperué, Waldo; [ Director/a]  Ronchetti, Franco; [ Codirector/a] 

Temas:

REDES NEURONALES; APRENDIZAJE AUTOMÁTICO; 

Palabras clave:

máquinas de vectores de soporte, 

Nota de tesis:

Tesina (Licenciatura en Sistemas) - Universidad Nacional de La Plata. Facultad de Informática, 2019.

Extensión:

v; 73 p.  : il. col.  + 1 DVD

Resumen:

La detección de peatones utilizando algoritmos de Machine Learning es un tema ampliamente abordado. En esta tesis se hará uso de SVM y redes neuronales como clasificadores, utilizando combinaciones de diferentes descriptores para esta tarea. Se analizaran varias métricas obtenidas por ambos modelos, esto permitirá determinar si los clasificadores propuestos alcanzan resultados aceptables en un contexto tan diverso como lo es un ambiente urbano. Usando SVM se realizará un análisis de la transferencia de aprendizaje, midiendo si al evaluar un conjunto de datos diferentes del que se entrenó alcanza métricas similares.

Puede solicitar más fácilmente el ejemplar con: TES 19/01

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