Identificación de peatones mediante aprendizaje profundo con arquitectura clásica y moderna de redes neuronales convolucionales
Barra lateral del artículo
Contenido principal del artículo
Resumen
Este artículo se refiere a la investigación realizada en la Universidad Nacional Micaela Bastidas (UNAMBA), cuyos objetivos específicos fueron: determinar, en una primera etapa de aprendizaje, la precisión de una arquitectura clásica de Red Neuronal Convolucional (CNN) en la identificación de personas de la UNAMBA; determinar, en una segunda etapa, la precisión de una arquitectura moderna de Red Neuronal de Respuesta Rápida (RNC); y, finalmente, comparar ambos resultados para encontrar el de mayor precisión. El entrenamiento se realizó con datos de 242 personas. Para ello, se generaron 27 996 imágenes mediante técnicas de extracción de video y aumento de datos, las cuales se dividieron en 19 700 para entrenamiento y 8296 para validación. En cuanto a los resultados de la primera etapa, se propone un modelo modificado, VGG16-UNAMBA, con el que se alcanzó una precisión de 0,9721; mientras que en la segunda etapa se propone DenseNet121-UNAMBA, con el que se alcanzó una precisión de 0,9943. Llegando a la conclusión de que el uso del aprendizaje profundo permite identificar al personal de UNAMBA con un alto grado de precisión.
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Cuando un autor crea un artículo y lo publica en una revista, los derechos de autor pasan a la revista como parte del acuerdo de publicación. Por lo tanto, la revista se convierte en la dueña de los derechos de reproducción, distribución y venta del artículo. El autor conserva algunos derechos, como el derecho a ser reconocido como el creador del artículo y el derecho a utilizarlo para sus propios fines académicos o de investigación, a menos que se acuerde lo contrario en el contrato de publicación.
Cómo citar
Referencias
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].