Pedestrian identification through Deep Learning with classical and modern architecture of Convolutional Neural Networks
Barra lateral del artículo
Contenido principal del artículo
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
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].