Temas acerca de Inteligencia Artificial
-
DiegoHDMGZ
- Mensajes: 8
- Registrado: 18 Abr 2020, 17:33
Mensaje
por DiegoHDMGZ » 18 Dic 2020, 18:31
- Descripción:
En nuestros tiempos, es muy común el uso de autos para poder movilizarnos. Según estadísticas mundiales, se estima que la demanda anual de autos es de aproximadamente de 80 millones de autos. Esta creciente demanda puede generar ciertos efectos negativos; por ejemplo, se estima que aproximadamente 1.35 millones de personas mueren cada año en algún accidente de tránsito, y el Perú no es una excepción para el problema del tráfico, más aún cuando poseemos un alto grado de informalidad en el transporte y muchas personas incumplen las normas de tránsito.
- estadisticas demanda autos.png (25.66 KiB) Visto 265 veces
(Estadísticas obtenidas de IEA, Global car sales by key markets, 2005-2020, IEA, Paris)
Esta problemática ha motivado la creación de sistemas inteligentes de transporte para poder monitorear el tráfico de vehículos. Estos sistemas buscan mejorar la seguridad, movilidad, productividad del sistema del transporte. Algunas tareas importantes que buscan hacer estos sistemas de forma eficiente son, por ejemplo, el conteo de vehículos, la medición de la velocidad, identificación de accidentes de tránsito, etc. Para esto se necesitan de varios sensores e implementos como las cámaras.
Un paso importante en todo este proceso es poder detectar los vehículos a partir de los videos de las cámaras, en tiempo real. La detección de los vehículos no solo es útil en los sistemas de transporte inteligente, sino también tiene aplicaciones en otros campos como en los autos autónomos.
Un problema para la realización de esta tarea es que los algoritmos que se usen para la detección de vehículos deben también funcionar bajo condiciones bajas de iluminación, para que también puedan ser usados en las noches.
- Intelligent Transport System.png (610.98 KiB) Visto 265 veces
- Herramientas:
- Dataset
Algunos datasets públicos son por ejemplo Change Detection Dataset, GTI Database, LISA Dataset. Muchos datasets tienen condiciones de iluminación muy buenas, pero por lo que se mencionó anteriormente, también sería bueno tener datos con algunas condiciones extremas, como baja iluminación (datos tomados en la noche), presencia de lluvia, niebla u otros factores climatológicos, etc. Sin embargo, hay que recalcar que esto también dificultad el etiquetado de los datos.
- Extracción de Características
Existen muchos enfoques para poder abordar el problema de la detección de vehículos, pero muchos de ellos comparten como primer paso la extracción de ciertas características que, al procesarlas, puedan servir como input para algún algoritmo de machine learning. Entre ellas, en la literatura se citan el uso de Haar-Like features (relacionadas con los cambios de intensidades de brillo en la imagen), Histogram Of Gradient features (relacionadas a los bordes de los objetos), entre otras. Incluso es posible experimentar fusionando distintos tipos de características.
- HOG features.png (75.07 KiB) Visto 265 veces
- Algoritmos
Una vez uno ha elegido las características a usar, lo siguiente es seleccionar porciones de la imagen, extraer las características que se crean pertinentes y pasar estas como input por algún algoritmo clasificador para determinar si es un vehículo o no. Algunos algoritmos de machine learning usados para esta última etapa son Support Vector Machine (SVM), Adaboost, Neural networks (NN), Convolutional Neural Networks (CNN), Region Based CNN (R-CNN), etc.
Leung et al. utilizaron el algoritmo de Fast R-CNN . Este algoritmo se basa en analizar ciertas regiones de interés (ROI) de la imagen. Sin embargo, utiliza métodos eficientes para no tener demasiadas regiones que analizar. En cada región, utiliza redes neuronales convolucionales (CNN) para extraer las características respectivas de esa región. En la siguiente imagen se muestra un esquema general de esto:
- R-CNN.png (122.96 KiB) Visto 265 veces
Los autores utilizaron las arquitecturas VGG16 y Resnet101 y utilizarn la técnica de transfer learning para partir de una red pre-entrenada y reducir el tiempo de entrenamiento. Utilizaron un learning rate inicial de 10-3 que terminó en 10-4 luego de 200 000 iteraciones
Ellos utilizaron tensorflow y librerías como OpenCV.
- Resultados:
Los autores obtuvieron un modelo bastante robusto quepuede detectar los vehículos incluso cuando la iluminación es bastante baja
- VehicleDetection.png (438.44 KiB) Visto 265 veces
Para cada clase de vehículo (auto, bus, bicicleta, motocicleta, etc.) obtuvieron precisiones promedio que varían entre 70 y 90% con la arquitectura Resnet101, mientras con la arquitectura VGG16 las precisiones eran ligeramente menores, variando entre 65 y 80%; sin embargo, el tiempo de procesamiento por imagen de la arquitectura VGG16 era menor comparado con el del Resnet101, haciendo al VGG16 una arquitectura preferido para el caso de sistemas embebidos con pocos recursos. Los tiempos de procesamiento son los siguientes:
- tiempo procesamiento.png (14 KiB) Visto 265 veces
- Conclusiones:
El uso de Sistemas de Transporte Inteligente ha abierto una gran posibilidad para poder disminuir el problema del tráfico. En ciudades más avanzadas ya se empiezan a usar con más frecuencia y sería de gran ayuda si también se usaran en el Perú.
Las redes neuronales convolucionales son unos de los algoritmos que más destacan para el reconocimiento de objetos. En particular, en el caso de la detección de vehículos, las Faster Region Based Convolutional Neural Network (Fast R-CNN) han mostrado tener muy buenos resultados incluso en condiciones de baja iluminación; sin embargo, el dataset creado por los autores Leung et al. también juega un papel importante para lograr esto. La precisión lograda por estos autores con la arquitectura Resnet101 tiene valores entre 70 y 90%.
- Referencias:
Leung, H. K., Chen, X. Z., Yu, C. W., Liang, H. Y., Wu, J. Y., & Chen, Y. L. (2019). A Deep-Learning-Based Vehicle Detection Approach for Insufficient and Nighttime Illumination Conditions. Applied Sciences, 9(22), 4769.
https://www.mdpi.com/2076-3417/9/22/4769
