OBJETIVO
El objetivo de este paper es investigar técnicas de DATA MINING para reducir la tasa de delincuencia en la India. En la era moderna, a medida que la tecnología se desarrolla en mayor medida, las tasas de delincuencia están aumentando a un nivel muy amplio no solo en la India sino también en diversos países de primer al tercer mundo. Por lo tanto, estas tecnologías pueden usarse como una ayuda para reducir las tasas de criminalidad. Se utiliza el concepto de Minería de Datos (Data Mining), este se puede utilizar para agrupar los datos y analizar los diferentes subconjuntos de análisis de delitos. La agrupación es el proceso de combinar objetos de datos en grupos. Este paper consiste en importantes técnicas de minería de datos y agrupamiento de datos y su aplicación al crimen.
 
ANTECEDENTES
El avance del crimen ha aumentado en mayor medida y se está convirtiendo en un problema muy serio en muchos países. En el mundo de hoy los delincuentes y los grupos terroristas que nos amenazan poseen conocimiento de todos los métodos actuales de alta tecnología. Desarrollar una herramienta de minería de datos para el crimen análisis ayudaría a la rama del crimen a formar patrones y agrupar de manera eficiente y reducir las tasas de criminalidad. Por lo que se ha revisado diversos trabajos referentes a técnicas de minería de datos:
CLASIFICATION: La clasificación es una técnica de minería de datos que emplea un conjunto de ejemplos preclasificados para desarrollar un modelo para clasificar grandes volúmenes de data. Su principal aplicación está en detección de fraude y tarjeta de crédito servicios. Este enfoque frecuentemente emplea la clasificación basada en árboles de decisiones y redes neuronales.
CLUSTERING: El “Clustering” es la identificación de clases similares de objetos. Al usar técnicas de clustering se puede identificar regiones densas y dispersas en el espacio de objetos al descubrir la distribución general de patrones y correlaciones entre los atributos de datos. Tipos de Clustering: Partitioning methods, Hierarchical Agglomerative (divisive), methods Density based methods Grid-based methods Model-based methods
PREDICATION: La técnica de regresión se puede adaptar para la predicación. El análisis de regresión se puede usar para modelar la relación entre uno o más variables independientes y variables dependientes. En el se atribuyen variables independientes de Data Mining ya conocidas y las variables de respuesta son lo que se quiere predecir. Tipos de técnicas de asociación: Multilevel association rule, Multidimensional association rule y Quantitative association rule

A Survey on Crime Data Analysis Using Data Mining Techniques
Link: http://www.ijera.com/papers/Vol7_issue8 ... 063034.pdf

OBJETIVO
El objetivo es crear un concepto simple, flexible y general marco para la segmentación de instancias de objetos. Actualmente las técnicas utilizadas son pésimas y no logran segmentar eficientemente a las personas a los objetos. El enfoque que se quiere lograr es detectar eficientemente objetos en una imagen mientras simultáneamente se genera una máscara de segmentación de alta calidad para cada instancia.

El método, llamado Mask R-CNN, se extiende más rápido con R-CNN (Convolutional Neuronal Network) agregando una rama para predecir una máscara de objeto en paralelo con la rama existente para el reconocimiento de cuadro delimitador.
Además, Mask R-CNN es fácil de generalizar a otras tareas, por ejemplo, permitiendo nosotros poder estimar poses humanas en el mismo marco. Esto es ampliamente utilizado en videojuegos como el Kinect o para detectar eficientemente el entorno y en la robótica.
 
ANTECEDENTES
Para la realización de un enfoque de segmentación se recurrió a diversos trabajos, pero principalmente se analizaron estos dos:
R-CNN: El enfoque basado en la región CNN (R-CNN) para la detección de objetos de caja delimitadora es atender a un manejable número de regiones de objetos candidatos y evaluar redes convoluciones de forma independiente en cada RoI. R-CNN se amplió para permitir asistir a RoI en los mapas de características usando RoIPool, lo que conduce a una velocidad rápida y con mejor precisión. A contrario de otras técnicas, R-CNN es flexible y robusto puesto que posee muchas mejoras de seguimiento, y es el marco líder actual en varios puntos de referencia.
Segmentación de instancias: impulsado por la efectividad de RCNN, muchos enfoques para la segmentación de instancias se basan en propuestas de segmento. Métodos anteriores recurrieron a segmentos ascendentes. DeepMask y los siguientes trabajos aprenden a proponer candidatos de segmentos, que luego son clasificados por Fast R-CNN. En estos métodos, la segmentación precede el reconocimiento, que es lento y menos preciso del mismo modo, Día et al. propuso un complejo cascada de múltiples etapas que predice propuestas de segmentos de propuestas de recuadro delimitador, seguido de clasificación.

Mask R-CNN
Link: http://openaccess.thecvf.com/content_IC ... _paper.pdf

Fast Face-swap Using Convolutional Neural Networks

¿Qué problema trata?
Se considera el problema del intercambio de rostros en imágenes, donde una identidad de entrada se transforma en una identidad de destino mientras conserva la pose, la expresión facial y la iluminación. Para realizar este mapeo, se usa redes neuronales convolucionales para capturar la apariencia de la identidad del objetivo de una colección no estructurada de sus fotografías.
Este enfoque se habilita al enmarcar el intercambio de rostros problema en términos de transferencia de estilo, donde el objetivo es presentar una imagen en el estilo de otra. Sobre la base de reciente avances en esta área, ideamos una nueva función de pérdida que permite a la red producir imágenes altamente fotorrealistas resultados. Al combinar redes neuronales con pre-e pasos posteriores al procesamiento, nuestro objetivo es hacer que el trabajo de intercambio de caras tiempo real sin entrada del usuario.
El reemplazo facial o el intercambio de rostros es relevante en muchos escenarios que incluyen la provisión de privacidad, apariencia transfiguración en retratos, composición de video y otras aplicaciones creativas. La formulación exacta de este problema varía según la aplicación, con algunos objetivos más fácil de lograr que otros.
¿Qué trabajos revisa?
Bitouk et al., revisa este trabajo como base, este sustituye una cara de entrada por otra cara seleccionada de una gran base de datos de imágenes basadas en la similitud de apariencia y pose.
El método reemplaza los ojos, la nariz y la boca de la cara y además hace ajustes de color e iluminación en orden para mezclar las dos caras. Este diseño tiene dos limitaciones principales que abordamos en este documento: no hay control sobre la identidad de salida y la expresión de la entrada está alterado.
Un trabajo similar fue abordado por Dale et al. Alabama. Su trabajo se centró en la sustitución de caras en videos, donde se muestran videos de dos sujetos interpretando roles similares están disponibles. Comparado con imágenes estáticas, secuenciales los datos presentan dificultades adicionales de alineación temporal, rastrear el rendimiento facial y garantizar la coherencia temporal del metraje resultante.
¿Qué solución propone?
El método de solución, teniendo una imagen de la persona A, se busca transformar su cara a la persona B, mientras se mantiene la posición de su cabeza y la iluminación intacta. Se utiliza redes neuronales convolucionales parametrizadas con un peso W para transformar el contenido de la imagen X. Con una gran cantidad de imágenes de entrenamiento con Y(i) se tiene como dataset Y= {y1,y2,….,yN}. Estas imágenes describen la cara que nos gustaría cambiar y es solamente usado para el entrenamiento de la red neuronal.
El sistema tiene dos componentes adicionales que funcionan entre la alineación de la cara y segmentación del fondo, cabello y piel. Se tomó en cuenta que todas las caras tienen una referencia de vista frontal. Los puntos claves faciales fueron extraídos utilizando CNN, La segmentación se usa para restaurar el fondo y el de la imagen de entrada X que actualmente no está preservado por nuestra red neuronal. Utilizan la librería OPENCV para unir el fondo y el resultado de la imagen intercambiada. A continuación, se describe la arquitectura del proceso de transformación.
Link: http://openaccess.thecvf.com/content_IC ... _paper.pdf

A HIGHLY ROBUST VEHICLE DETECTION, TRACKING AND SPEED MEASUREMENT MODEL FOR INTELLIGENT TRANSPORT SYSTEMS
¿Qué problema trata?
El alto ritmo de aumento en el número de vehículos, la densidad del tráfico y preocupaciones de seguridad, un sistema potencial para la vigilancia del tráfico, el monitoreo y control del vehículo se ha convertido en una necesidad inevitable para facilitar el sistema de transporte inteligente (ITS). A pesar de que, numerosos enfoques se han propuesto para mover el vehículo detección y seguimiento, aún las necesidades de optimización no pueden ser ignorado En este documento, un vehículo robusto basado en el procesamiento de imágenes el modelo de detección, seguimiento y medición de velocidad ha sido desarrollado.
Además, una nueva estimación de la velocidad del vehículo en movimiento enfoque ha sido desarrollado que puede ser significativo para sistemas ITS eficientes.
¿Qué trabajos revisa?
Detección y segmentación de vehículos de movimiento
La detección de objetos en movimiento en la misma secuencia de imágenes, capturado en diferentes intervalos se considera uno de los campos de investigación interesantes en visión artificial. Hay un número de aplicaciones que consideran la detección de cambios como el evento para realizar diversas tareas como el sistema de vigilancia, diagnóstico asistido por computadora (CAD) y tratamiento, sistema de detección y monitoreo y control para civiles, industriales y aplicaciones militares
Feature Based Methods
En numerosas investigaciones, varias características estructurales del vehículo como, bordes y esquinas se han utilizado para segmentarlo desde imagen de fondo. Sobre la base de estas características, identificó fondos móviles y estáticos para la detección de vehículos. Además, los investigadores en propusieron un modelo para tratar con problema de oclusión entre los vehículos superpuestos, donde utilizaron el concepto de sustracción de fondo .Un enfoque de discriminación de fondo fue desarrollado usando varias características de la imagen y una detección de objetos entrenables enfoque fue propuesto
Link: https://www.ripublication.com/ijaer16/i ... n5_125.pdf

Tracking as Online Decision-Making: Learning a Policy from Streaming Videos with Reinforcement Learning

¿Qué problema trata?
Cuando un agente de policía persigue a un sospechoso por video vigilancia en la mayoría de casos tiene el problema del seguimiento, donde debería rastrearlo, en que video esta y como reconocerlo a pesar de la multitud. Estas decisiones son típicamente tomadas heurísticamente según la experiencia del policía a cargo.
¿Qué trabajos revisa?
Tracking Dataset: Han recolectado trabajos pasados con Dataset lista para machine Learning.
Iteractive Tracking: Varios trabajos han explorado métodos interactivos para acumular data. Primero la computadora propone un posible camino del sospechoso, después el humano corrige y reentrena el sistema usando las correcciones.
Learning to Track: Varios trabajos de seguimiento de sospechosos tienden a enfocarse en pequeños tiempos de seguimiento menos de 2000 frames por video. En este caso primero se modela la apariencia del sospechoso y después se utiliza estos datos para seguirlo.
Real-time tracking through attention: Un problema muy grave es que el seguimiento sea lento, que se demore demasiado en poder seguir el rastro de un sospechoso. Por lo que han investigado para hacer el reconocimiento mas rápido y preciso.
Link: http://openaccess.thecvf.com/content_IC ... _paper.pdf

Fast Face-swap Using Convolutional Neural Networks

¿Qué problema trata?
Se considera el problema del intercambio de rostros en imágenes, donde una identidad de entrada se transforma en una identidad de destino mientras conserva la pose, la expresión facial y la iluminación. Para realizar este mapeo, se usa redes neuronales convolucionales para capturar la apariencia de la identidad del objetivo de una colección no estructurada de sus fotografías.
Este enfoque se habilita al enmarcar el intercambio de rostros problema en términos de transferencia de estilo, donde el objetivo es presentar una imagen en el estilo de otra. Sobre la base de reciente avances en esta área, ideamos una nueva función de pérdida que permite a la red producir imágenes altamente fotorrealistas resultados. Al combinar redes neuronales con pre-e pasos posteriores al procesamiento, nuestro objetivo es hacer que el trabajo de intercambio de caras tiempo real sin entrada del usuario.
El reemplazo facial o el intercambio de rostros es relevante en muchos escenarios que incluyen la provisión de privacidad, apariencia transfiguración en retratos, composición de video y otras aplicaciones creativas. La formulación exacta de este problema varía según la aplicación, con algunos objetivos más fácil de lograr que otros.
¿Qué trabajos revisa?
Bitouk et al., revisa este trabajo como base, este sustituye una cara de entrada por otra cara seleccionada de una gran base de datos de imágenes basadas en la similitud de apariencia y pose.
El método reemplaza los ojos, la nariz y la boca de la cara y además hace ajustes de color e iluminación en orden para mezclar las dos caras. Este diseño tiene dos limitaciones principales que abordamos en este documento: no hay control sobre la identidad de salida y la expresión de la entrada está alterado.
Un trabajo similar fue abordado por Dale et al. Alabama. Su trabajo se centró en la sustitución de caras en videos, donde se muestran videos de dos sujetos interpretando roles similares están disponibles. Comparado con imágenes estáticas, secuenciales los datos presentan dificultades adicionales de alineación temporal, rastrear el rendimiento facial y garantizar la coherencia temporal del metraje resultante.
¿Qué solución propone?
El método de solución, teniendo una imagen de la persona A, se busca transformar su cara a la persona B, mientras se mantiene la posición de su cabeza y la iluminación intacta. Se utiliza redes neuronales convolucionales parametrizadas con un peso W para transformar el contenido de la imagen X. Con una gran cantidad de imágenes de entrenamiento con Y(i) se tiene como dataset Y= {y1,y2,….,yN}. Estas imágenes describen la cara que nos gustaría cambiar y es solamente usado para el entrenamiento de la red neuronal.
El sistema tiene dos componentes adicionales que funcionan entre la alineación de la cara y segmentación del fondo, cabello y piel. Se tomó en cuenta que todas las caras tienen una referencia de vista frontal. Los puntos claves faciales fueron extraídos utilizando CNN, La segmentación se usa para restaurar el fondo y el de la imagen de entrada X que actualmente no está preservado por nuestra red neuronal. Utilizan la librería OPENCV para unir el fondo y el resultado de la imagen intercambiada. A continuación, se describe la arquitectura del proceso de transformación.

Link: http://openaccess.thecvf.com/content_IC ... 2017_paper.