Pedestrian identification through Deep Learning with classical and modern architecture of Convolutional Neural Networks

Autores/as

  • Erech Ordoñez Ramos Escuela Académico Profesional de Ingeniería Informática y Sistemas de la Universidad Nacional Micaela Bastidas de Apurímac
  • Ecler Mamani Vilca Universidad Nacional Micaela Bastidas de Apurímac - Perú
  • Yonatan Mamani Coaquira

Palabras clave:

recognition of people, convolutional neural network, deep learning

Resumen

This article, refers to the research carried out at the National University Micaela Bastidas (UNAMBA), whose specific objectives were: To determine in a first stage of learning the proportion of accuracy of a classical architecture of Convolutionary Neural Network (CNN) in the identification of UNAMBA peoples, to determine in a second stage the proportion of precision in a modern architecture of RNC and finally compare the first stage with the second, to find the highest proportion. The training was given with a quantity of 242 people. Therefore, 27,996 images had to be generated through the technique of Video Scraping and data augmentation, which were divided into 19,700 images for training and 8,296 for the validation. Regarding the results in the first stage, a modified model VGG16-UNAMBA is proposed, with which a ratio of 0.9721 accuracy was achieved; while in the second stage it is proposed to DenseNet121-UNAMBA, with which a proportion of 0.9943 accuracy was achieved. Coming to the conclusion that the use of deep learning allows UNAMBA staff to be identified in a high proportion of accuracy

Biografía del autor/a

Erech Ordoñez Ramos, Escuela Académico Profesional de Ingeniería Informática y Sistemas de la Universidad Nacional Micaela Bastidas de Apurímac

Nació en Paucarpata Arequipa y estudió su pregrado en la Universidad Nacional del Altiplano Puno-Peru, obteniendo el Grado de Bachiller el año 2001 y título de Ingeniero de Sistemas en el año 2003. El 2011 obtiene el grado de Magister en Educación con mención en Docencia y Gestión Educativa en la Universidad Privada Cesar Vallejo. También estudió Maestría en Tecnologías de Información y Comunicación, Doctorado en Ciencias de la Computación en la Universidad Nacional del Altiplano. Ha realizado una estancia de capacitación en la Universidad de Granada de España durante los últimos 04 meses del año 2012. Su línea de investigación está basado en la Inteligencia Artificial específicamente Visión Artificial. Ha laborado ordinariamente en la UNAMBA, como Jefe de Práctica en 1996 y Docente Universitario en 1997 en la UNAJMA, Luego Docente ordinario en la UNAMBA hasta el 2012. En la Actualidad es catedrático Asociado en la UNAMBA. Ha desempeñado cargos como Jefe del Centro de Informática e Internet de la UNAMBA el 2008, Coordinador de la Carrera Profesional de Ingeniería Informática y Sistemas el 2009 y Director de la misma el 2011, Jefe de la Oficina de Tecnologías de Información (OTI) el año 2015-2017, Miembro de la Comisión de Licenciamiento de la UNAMBA 2017-2018. Ademas desempeño cargos como perito en Informática del Poder Judicial y presidente del capitulo de Ingenieros Industriales y de Sistemas de Apurímac.

Ecler Mamani Vilca, Universidad Nacional Micaela Bastidas de Apurímac - Perú

Ecler MAMANI Vilca con CIP 75779, Dr. en Ciencias de la Computación, desarrollador de aplicaciones multimedia y Software Educativo Intercultural, docente nombrado a Tiempo completo en la Universidad Nacional Micaela Bastidas de Apurímac regenta los cursos de Algorítmica, Computación Gráfica y Seminario de Tesis, docente de la Escuela de Post Grado UNAP en la Maestría en Informática, trabajó en diferentes universidades privadas e institutos superiores técnicos del Perú.

Yonatan Mamani Coaquira

Docente investigador en áreas de Aprendizaje Automático, Minería de Datos e Ingeniería de Software. Instancia de Investigación en la Universidad Pablo de Olavide, Sevilla - España en el laboratorio de Big Data y Sistemas Inteligentes. Desarrollador de software y analista de sistemas, capacidad para elaborar, ejecutar proyectos en TIC, habilidades para innovar y aprender nuevas tecnologías.

Citas

F. Chollet, Deep learning with Python. Shelter Island, NY: Manning, 2018.

D. TutorialsPoint, «Tensor Flow, Simply Easy Learning», 2018. .

S. J. Russell y P. Norvig, Inteligencia artificial: un enfoque moderno. Pearson Educación, 2008.

P. Ponce, Inteligencia Artificial con aplicaciones a la ingeniería., Primera Edición. Ciudad de México: Alfaomega, 2010.

J. Hurwitz y D. Kirsch, Machine Learning For Dummies. John Wiley & Sons, 2018.

C. Andreas y G. Sarah, Introduction to Machine Learning with Python, Third Realese. United States of America: O’Reilly Media, 2017.

B. García, «Implementación de Técnicas de Deep Learning», Trabajo de Fin de Grado, Universidad de la Laguna, La Laguna, 2015.

N. Shukla, Machine Learning with TensorFlow. Manning Publications Co, 2017.

J. Hearty, Advanced Machine Learning with Python, Primera edición. Reino Unido: Packt Publishing Ltd, 2016.

P. Viola y M. J. Jones, «Robust Real-Time Face Detection», International Journal of Computer Vision, 2004.

M. Mathias, R. Benenson, M. Pedersoli, y L. V. Gool, «Face Detection without Bells and Whistles», Springer International Publishing Switzerland, pp. 720–735, 2014.

D. Chen, S. Ren, Y. Wei, X. Cao, y J. Sun, «Joint Cascade Face Detection and Alignment», Computer Vision – ECCV, pp. 109-122, 2014.

W. Liu, S. Liao, y I. Hasan, «Center and Scale Prediction: A Box-free Approach for Object Detection», arXiv.org, abr. 23, 2019.

A. Mateus, D. Ribeiro, P. Miraldo, y J. Nascimento, «Efficient and robust Pedestrian Detection using Deep Learning for Human-Aware Navigation», Robotics and Autonomous Systems, n.o 113, pp. 23-37, 2019.

T. Xiao, S. Li, B. Wang, L. Lin, y X. Wang, «Joint Detection and Identification Feature Learning for Person Search», arXiv.org, n.o arXiv:1604.01850v3 [cs.CV], abr. 06, 2017.

J. Rojas y R. Trujillo, «Algoritmo meta-heurístico Firefly aplicado al pre-entrenamiento de redes neuronales artificiales», Rev. Cuba. Cienc. Informáticas, vol. 12, n.o 1, pp. 14-27, mar. 2018, Accedido: oct. 13, 2018. [En línea].

R. Vizcaya, «Deep Learning para la Detección de Peatones y Vehículos», Maestro en Ciencias de la Computación, Universidad Autónoma del Estado de México, México, 2018.

K. Tsampikos, G. Triantafyllidis, y L. Nalpantidis, «Deep learning-based visual recognition of rumex for robotic precision farming», Computers and Electronics in Agriculture, vol. 165, pp. 85-90, 2019.

Z. Kastrati, A. S. Imran, y A. Kurti, «Integrating word embeddings and document topics with deep learning in a video classification framework», Pattern Recognition Letters, vol. 128, pp. 85-92, 2019.

L. Ye, L. Gao, R. Martinez, D. Mallants, y B. Bryan, «Projecting Australia’s forest cover dynamics and exploring influential factors using deep learning», Environmental Modelling & Software, vol. 119, pp. 407-417, 2019.

INEI, «Evolución de la pobreza monetaria 2007 -2018», Instituto Nacional de Estadística e Informática, Perú, Informe Técnico, abr. 2019. [En línea]. Disponible en: https://bit.ly/2TKzaiF.

K. Simonyan y A. Zisserman, «Very Deep Convolutional Networks for Large-Scale Image Recognition», ArXiv14091556 Cs, abr. 2015, Accedido: dic. 29, 2019. [En línea]. Disponible en: http://arxiv.org/abs/1409.1556.

G. Huang, Z. Liu, L. Maaten, y K. Q. Weinberger, «Densely Connected Convolutional Networks», ArXiv160806993 Cs, ene. 2018, Accedido: dic. 29, 2019. [En línea].

Descargas

Publicado

2021-05-15 — Actualizado el 2020-12-20

Versiones

Cómo citar

Ordoñez Ramos, E., Mamani Vilca, E., & Mamani Coaquira, Y. (2020). Pedestrian identification through Deep Learning with classical and modern architecture of Convolutional Neural Networks. C&Amp;T Riqchary Revista De investigación En Ciencia Y tecnología, 2(1), 6–10. Recuperado a partir de http://revistas.unamba.edu.pe/index.php/riqchary/article/view/14 (Original work published 15 de mayo de 2021)

Número

Sección

Artículos

Categorías