Publikace detail

New End-to-End Strategy Based on DeepLabv3+Semantic Segmentation for Human Head Detection

Autoři: Chouai Mohamed | Doležel Petr | Štursa Dominik | Němec Zdeněk

Rok: 2021

Druh publikace: článek v odborném periodiku

Název zdroje: Sensors

Název nakladatele: MDPI

Místo vydání: BASEL

Strana od-do: nestránkováno

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Nová end-to-end strategie založená na DeepLabv3+ sémantické segmentaci pro detekci lidské hlavy	V oblasti počítačového vidění spočívá detekce objektů v automatickém vyhledávání objektů v obraze. Nejčastějšími oblastmi použití jsou bezpečnostní systémy (detekce chodců, identifikace chování) a řídicí systémy. Další významnou aplikací je detekce hlavy/osoby, která je primárním materiálem pro bezpečnost silničního provozu, záchranné práce, dohled atd. V této studii jsme vyvinuli nový přístup založený na dvou paralelních systémech Deeplapv3+ s cílem zlepšit výkonnost systému detekce osob. Pro implementaci našeho modelu sémantické segmentace byla vytvořena pracovní metodika se dvěma typy základních pravd extrahovaných z ohraničujících boxů daných původními základními pravdami. Tento přístup byl implementován v našich dvou soukromých datových sadách i ve veřejné datové sadě. Aby se ukázala výkonnost navrženého systému, byla provedena srovnávací analýza dvou modelů sémantické segmentace založených na hlubokém učení (deep learning state-of-art): SegNet a U-Net. Dosažením 99,14% globální přesnosti výsledek prokázal, že vyvinutá strategie může být efektivním způsobem, jak vytvořit model hluboké neuronové sítě pro sémantickou segmentaci. Tuto strategii lze použít nejen pro detekci lidské hlavy, ale lze ji použít i v několika aplikacích sémantické segmentace.	bezpečnostní systémy; detekce hlavy; počítání hlavy; sémantická segmentace; paralelní sítě; DeepLabv3+
eng	New End-to-End Strategy Based on DeepLabv3+Semantic Segmentation for Human Head Detection	In the field of computer vision, object detection consists of automatically finding objects in images by giving their positions. The most common fields of application are safety systems (pedestrian detection, identification of behavior) and control systems. Another important application is head/person detection, which is the primary material for road safety, rescue, surveillance, etc. In this study, we developed a new approach based on two parallel Deeplapv3+ to improve the performance of the person detection system. For the implementation of our semantic segmentation model, a working methodology with two types of ground truths extracted from the bounding boxes given by the original ground truths was established. The approach has been implemented in our two private datasets as well as in a public dataset. To show the performance of the proposed system, a comparative analysis was carried out on two deep learning semantic segmentation state-of-art models: SegNet and U-Net. By achieving 99.14% of global accuracy, the result demonstrated that the developed strategy could be an efficient way to build a deep neural network model for semantic segmentation. This strategy can be used, not only for the detection of the human head but also be applied in several semantic segmentation applications.	safety systems; head detection; head counting; semantic segmentation; parallel networks; DeepLabv3+

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte