The Good, The Fast And The Better Pedestrian Detector
Year: 2016
Type: dissertation
Abstract: Detecção de pedestres é um bem conhecido problema em Visão Computacional, principalmente por causa de sua direta aplicação em vigilância, segurança de trânsito e robótica. Na última década, vários esforços foram realizados para melhorar a detecção em termos de acurácia, velocidade e aprimoramento de features. Neste trabalho, nós propomos e análisamos técnicas focando nesses pontos. Primeiramente, nós propomos uma precisa random forest oblíqua (oRF) associado com Partial Least Squares (PLS). O método consiste em utilizar o PLS para encontrar uma superfície de decisão em cada nó da árvore de decisão, que melhor divide as amostras apresentadas a ele, baseado em algum critério de pureza. Para mensurar as vantagens providas pelo PLS sobre a oRF, nós comparamos o método proposto com o oRF baseado no SVM. Em segundo lugar, nós avaliamos e comparamos abordagens de filtragens para reduzir o espaço de busca e manter somente potenciais regiões de interesse para ser apresentado para os detectores, acelerando o processo de detecção. Resultados experimentais demonstram que os filtros avaliados podem descartar um elevado número de janelas de detecção sem comprometer a acurácia. Por fim, nós propomos uma nova abordagem para extrair poderosas features em relação à cena. O método combina resultados de distintos detectores de pedestres reforçando as hipóteses humanas, enquanto que suprimindo um significante número de falsos positivos devido a falta de consenso espacial quando multiplos detectores são considerados. Nossa abordagem proposta, referida como Consenso Espacial (SC), supera todos os métodos state-of-the-art previamente publicados.
Source: Americanae (AECID Library)
Author: Artur Jordão Lima Correia
Language: English
Subfield: Computer Vision and Pattern Recognition
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W2974817149