Deep Learning for People Detection on Beach Images

Chevtchenko, Sérgio F.; Vale, Rafaella; Cordeiro, Fernando; Macario, Valmir

doi:10.1109/bracis.2018.00045

Cited by 8 publications

(7 citation statements)

References 16 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Revisões acerca da tarefa de detecção de pessoas podem ser encontradas na literatura [Mainetti et al 2014, Nguyen et al 2016, demonstrando sua importância. Tais revisões também apontam que uma gama de métodos e abordagens têm sido empregadas para atacar o problema, como subtração de fundo [Zhang and Liang 2010], agrupamento de dados , Histograma de Gradientes Orientados (HOG) [Dalal and Triggs 2005] e técnicas de Aprendizado de Máquina, como Deep Learning [Chevtchenko et al 2018]. E importante ressaltar que algumas abordagens não são capazes de realizar todas etapas anteriormente descritas.…”

Section: Abordagens Para Detecção De Pessoasunclassified

“…A Biblioteca OpenCV [Bradski 2000], referência em visão computacional, disponibiliza alguns modelos pré-treinados destes métodos para a detecção de objetos particulares, como por exemplo, pessoas, pássaros e carros.É importante notar que a utilização de modelos pré-treinados não representa um cenário ideal de aplicação, podendo impactar negativamente os resultados observados. Entretanto, esta pode ser uma abordagem factível para prototipação ou até mesmo aúnica alternativa para alguns usuários e tem sido utilizada em trabalhos recentes [Chevtchenko et al 2018]. Isto se deve ao fato de que a etapa de treinamento destes modelosé laboriosa, demandando a criação de bases de dados com um grande número de imagens rotuladas, usualmente obtidas a partir de anotações manuais das mesmas [Hinterstoisser et al 2018].…”

Section: Introductionunclassified

See 1 more Smart Citation

Comparação de Métodos de Deep Learning Pré-Treinados da Biblioteca OpenCV para Detecção de Pessoas em Ambientes Internos

Filho

Jaskowiak

2020

REIC

View full text Add to dashboard Cite

Sistemas de monitoramento baseados em câmeras são cada vez mais onipresentes em ambientes internos e externos. A existência de um sistema de monitoramento não garante, porém, que todas as informações coletadas sejam utilizadas e/ou analisadas. Quando uma interpretação das imagens é necessária, usualmente recorre-se à visão computacional. Neste contexto particular, métodos de Deep Learning têm recebido crescente atenção. De fato, apesar de seu desenvolvimento recente, alguns destes métodos estão disponı́veis em bibliotecas e pacotes de software de forma pré-treinada, permitindo sua aplicação com relativa facilidade. Neste trabalho diferentes métodos de Deep Learning disponı́veis na biblioteca OpenCV foram comparados para a detecção e contagem de pessoas em ambientes internos. Os métodos foram comparados quanto à sua precisão, revocação e tempo de detecção. Para a aplicação considerada, os resultados obtidos sugerem que o método YOLO (v3) apresenta um bom compromisso entre medida F1 e tempo de reconhecimento. A detecção precisa e rápida de pessoas pode vir a auxiliar futuramente, por exemplo, na estimação da carga térmica observada e consequente ajuste de sistemas de condicionamento de ar.

show abstract

Section: Abordagens Para Detecção De Pessoasunclassified

Section: Introductionunclassified

Comparação de Métodos de Deep Learning Pré-Treinados da Biblioteca OpenCV para Detecção de Pessoas em Ambientes Internos

Filho

Jaskowiak

2020

REIC

View full text Add to dashboard Cite

show abstract

“…Por conta da necessidade de monitoramento constante de algumas dessas áreas para prevenir situac ¸ões de perigo, um sistema automatizado seria uma medida efetiva de controle de risco. Dentro desse contexto, os maiores desafios envolvendo o problema detecc ¸ão de pessoas em ambiente de praia são a variac ¸ão de iluminac ¸ão nas imagens, oclusão parcial e o posicionamento distante das câmeras [Chevtchenko et al 2018]. Outra limitac ¸ão se encontra na aquisic ¸ão de exemplos positivos, no nosso caso, imagens de pessoas dentro da água: por conta da sinalizac ¸ão de aviso, a maior parte dos banhistas evitam o mar nestas áreas.…”

Section: Introduc ¸ãOunclassified

Semantic Segmentation for People Detection on Beach Images

Monte

Oliveira

Cordeiro

et al. 2021

ENIAC

Self Cite

View full text Add to dashboard Cite

Nosso trabalho compara um conjunto de redes de segmentação semântica aplicados na detecção de pessoas em imagens de praia, como parte de um sistema de rastreamento automático para evitar que banhistas ultrapassem a região segura do mar. Em nossa análise, comparamos as redes de segmentação U-net, X-net, Linknet, e Unet++ usando os backbones prétreinados VGG-16 e VGG-19. Nós propomos nossa própria base de imagens, composta de 300 imagens. Os modelos foram avaliados utilizando a métrica F-score. Nossos resultados mostraram que a Linknet obteve o melhor valor de F-score, com 90.89%, enquanto a Linknet foi mais rápida que as outras redes, sem diferença estatística significativa.

show abstract

“…A identificação de sistemasé umaárea de estudo que lida com a obtenção de modelos matemáticos para sistemas de diversas naturezas como sistemas econômicos, processos químicos, sistemas mecânicos, elétricos entre outros (Ok et al, 2018;Chevtchenko et al, 2018;Zhao et al, 2018;Milovanović et al, 2017;Boda et al, 2016;Aguirre et al, 2011). Modelos matemáticos podem ser vistos como aproximações por meio de equações de um sistema real (Martins et al, 2013).…”

Section: Introductionunclassified

Rede Combinatória de Modelos Não Lineares - Parte II: Aplicação em Computação Aritmética

Andrade

Peixoto

Martins

2019

Anais Do 14º Simpósio Brasileiro De Automação Inteligente

View full text Add to dashboard Cite

This work is the second part of a series of two articles and applies a proposed method of parallel combination of models in the context of arithmetic computation. The combination is performed from known submodels obtained through an interval system identification procedure that uses interval arithmetic in the least squares estimator to find a set of models that best fits the data. The interpolated model was compared with a model obtained from a classic identification procedure and with the average model of the interval identification procedure obtaining a decrease of about 11 % in the RMSE index. The model was also compared to the submodels used to obtain it, reaching in this case a decrease of about 79 % in the RMSE and 22 % in the energy of the autocorrelation of the waste vector. Resumo: Este trabalhoé a segunda parte de uma série de dois artigos e aplica um método proposto de combinação paralela de modelos no contexto da computação aritmética. A combinaçãoé realizada a partir de submodelos conhecidos obtidos por meio de um procedimento de identificação intervalar de sistemas que usa aritmética intervalar no estimador de mínimos quadrados para encontrar um conjunto de modelos que melhor se ajusta aos dados. O modelo interpolado foi comparado com um modelo obtido a partir de um procedimento clássico de identificação e com o modelo médio do procedimento de identificação intervalar obtendo uma diminuição de cerca de 11% noíndice RMSE. O modelo também foi comparado com os submodelos utilizados em sua obtenção obtendo neste caso uma diminuição de cerca de 79% no RMSE e de 22% na energia da autocorrelação do vetor de resíduos.

show abstract

Deep Learning for People Detection on Beach Images

Cited by 8 publications

References 16 publications

Comparação de Métodos de Deep Learning Pré-Treinados da Biblioteca OpenCV para Detecção de Pessoas em Ambientes Internos

Comparação de Métodos de Deep Learning Pré-Treinados da Biblioteca OpenCV para Detecção de Pessoas em Ambientes Internos

Semantic Segmentation for People Detection on Beach Images

Rede Combinatória de Modelos Não Lineares - Parte II: Aplicação em Computação Aritmética

Contact Info

Product

Resources

About