Publikace detail

Centroid based person detection using pixelwise prediction of the position

Rok: 2022

Druh publikace: článek v odborném periodiku

Název zdroje: Journal of Computational Science

Název nakladatele: Elsevier Science BV

Místo vydání: Amsterdam

Strana od-do: nestránkováno

Tituly:

Jazyk	Název	Abstrakt	Klíčová slova
cze	Detekce osob na základě centroidů pomocí pixelové predikce polohy	Implementace detekce osob v systémech sledování a počítání osob směřují ke zpracování ortogonálně zachycených snímků na edge computing zařízeních. Elipsovitý tvar hlav na ortogonálně zachycených snímcích nás inspiroval k předpovídání centroidů hlav pro určení polohy osob na snímcích. Centroidy předpovídáme pomocí plně konvoluční sítě (FCN). FCN kombinujeme s jednoduchými operacemi zpracování obrazu, abychom zajistili rychlou inferenci detektoru. Experimentujeme s velikostí výstupu FCN, abychom dále zkrátili dobu inference. Srovnáváme navrhovaný detektor založený na centroidech s detektory založenými na ohraničujících boxech v úloze detekce hlavy z hlediska doby inference a detekčního výkonu. Navrhujeme metriku výkonnosti, které umožňuje kvantitativní srovnání obou detekčních přístupů. Pro trénování a hodnocení detektorů vytváříme originální datové sady 8000 anotovaných snímků, které se vyznačují vysokou variabilitou z hlediska světelných podmínek, pozadí, kvality obrazu a výškového profilu scén. Navrhujeme přístup, který umožňuje současnou anotaci snímků pro detekci založenou na ohraničujícím poli i na centroidu. Detektor založený na centroidu vykazuje nejlepší detekční výkon při zachování standardů pro edge computing systémy.	Detekce osob; plně konvoluční sítě; měření výkonu; Edge computing; počítačové vidění
eng	Centroid based person detection using pixelwise prediction of the position	Implementations of person detection in tracking and counting systems tend towards processing of orthogonally captured images on edge computing devices. The ellipse-like shape of heads in orthogonally captured images inspired us to predict head centroids to determine positions of persons in images. We predict the centroids using a fully convolutional network (FCN). We combine the FCN with simple image processing operations to ensure fast inference of the detector. We experiment with the size of the FCN output to further decrease the inference time. We compare the proposed centroid-based detector with bounding box-based detectors on head detection task in terms of the inference time and the detection performance. We propose a performance measure which allows quantitative comparison of the two detection approaches. For the training and evaluation of the detectors, we form original datasets of 8000 annotated images, which are characterized by high variability in terms of lighting conditions, background, image quality, and elevation profile of scenes. We propose an approach which allows simultaneous annotation of the images for both bounding box-based and centroid-based detection. The centroid-based detector shows the best detection performance while keeping edge computing standards.	Person detection; Fully convolutional networks; Performance measure; Edge computing; Computer vision

Search

Přihlášení pro studenty

Přihlášení pro zaměstnance

Publikace detail

Katedry

Služby

Jak nás najdete?

Často hledáte