Deep Convolutional Neural Networks for All-Day Pedestrian Detection

Zhang, Xingguo; Chen, Guoyue; Saruta, Kazuki; Terata, Yuki

doi:10.1007/978-981-10-4154-9_21

Cited by 9 publications

(8 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…En la segunda categoría están las redes neuronales convolucionales (CNN) [2,8,11,34,38], con sus distintas arquitecturas, como son R-CNN [40], Fast R-CNN [41] y Faster R-CNN [12,15].…”

Section: Clasificación De Peatones Sobre Imágenes En El Infrarrojo Leunclassified

“…La arquitectura Fast R-CNN [12,15] esencialmente disminuye la carga computacional, respecto a CNN, y por esta razón disminuye el tiempo de detección que presenta la capa R-CNN [41]. En consecuencia, Fast R-CNN junto con búsqueda selectiva, presenta una mejor calidad de detección.…”

Section: Clasificación De Peatones Sobre Imágenes En El Infrarrojo Leunclassified

“…Para remediar estos inconvenientes se ha llegado a Faster R-CNN [12,15] que añade un generador de ROI basado en capas completamente conectadas RPN el cual comparte con Fast R-CNN [15], los mapas de características generados por la red convolucional. Por ende, se puede implantar redes muy profundas debido a que la imagen total pasa una sola vez por la etapa CNN [15].…”

Section: Clasificación De Peatones Sobre Imágenes En El Infrarrojo Leunclassified

“…Por ende, se puede implantar redes muy profundas debido a que la imagen total pasa una sola vez por la etapa CNN [15].…”

Section: Clasificación De Peatones Sobre Imágenes En El Infrarrojo Leunclassified

“…Por otra parte, debido al reciente éxito que han presentado las técnicas de aprendizaje profundo (Deep Learning) [10,11], el principal objetivo de este trabajo es poner en marcha un método para la detección de peatones en la noche usando información visual en el infrarrojo lejano y las redes neuronales convolucionales, específicamente las arquitecturas del tipo Faster R-CNN [9,[11][12][13][14][15] para obtener un sistema competitivo que genere resultados de vanguardia comparables a los existentes en los trabajos previos. Por lo tanto, se presenta una nueva arquitectura Faster R-CNN a múlti-ples escalas, la cual es evaluada bajo los conjuntos de prueba de las bases datos CVC-09 [16] y LSIFIR [17].…”

Section: Introductionunclassified

See 4 more Smart Citations

Detección de peatones en la noche usando Faster R-CNN e imágenes infrarrojas

Bravo¹,

Flores²

2018

ings

View full text Add to dashboard Cite

En este artículo se presenta un sistema de detección de peatones en la noche, para aplicaciones en seguridad vehicular. Para este desarrollo se ha analizado el desempeño del algoritmo Faster R-CNN con imágenes en el infrarrojo lejano. Por lo que se constató que presenta inconvenientes a la hora de detectar peatones a larga distancia. En consecuencia, se presenta una nueva arquitectura Faster R-CNN dedicada a la detección en múltiples escalas, mediante dos generadores de regiones de interés (ROI) dedicados a peatones a corta y larga distancia, denominados RPNCD y RPNLD, respectivamente. Esta arquitectura ha sido comparada con los modelos para Faster R-CNN que han presentado los mejores resultados, como son VGG-16 y Resnet 101. Los resultados experimentales se han desarrollado sobre las bases de datos CVC-09 y LSIFIR, los cuales demostraron mejoras, especialmente en la detección de peatones a larga distancia, presentando una tasa de error versus FPPI de 16 % y sobre la curva Precisión vs. Recall un AP de 89,85 % para la clase peatón y un mAP de 90 % sobre el conjunto de pruebas de las bases de datos LSIFIR y CVC-09.

show abstract

“…En la segunda categoría están las redes neuronales convolucionales (CNN) [2,8,11,34,38], con sus distintas arquitecturas, como son R-CNN [40], Fast R-CNN [41] y Faster R-CNN [12,15].…”

Section: Clasificación De Peatones Sobre Imágenes En El Infrarrojo Leunclassified