Transferencia de aprendizaje para clasificación de peatones

Autores
Camele, Genaro; Quiroga, Facundo; Ronchetti, Franco; Hasperué, Waldo; Lanzarini, Laura Cristina
Año de publicación
2018
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
Desde la aparición, en el año 2005, de los Histogramas de Gradientes Orientados (HOG) como descriptor para detección de peatones, han aparecido numerosas publicaciones que permitieron mejorar la clasificación agregando mejoras o comparando con nuevos descriptores. Del mismo modo, año a año aparecen nuevas bases de datos con imágenes de entornos reales, que permiten la evaluación de los modelos desarrollados. No obstante, la utilización de un modelo entrenado en un entorno real nuevo no siempre resulta trivial y es un tema pendiente de estudio para este dominio. En este artículo, presentamos un protocolo para evaluar la transferencia de aprendizaje entre tres de las bases de datos más utilizadas en la literatura: INRIA, Daimler y TUD-Brussels. Comparamos los descriptores HOG y Patrones Binarios Locales (LBP) en conjunto con Máquinas de Vectores de Soporte (SVM) como clasificador de base. Los resultados obtenidos muestran que si bien cada conjunto de datos presenta escenas del mundo real, existen diferencias significativas que hacen que un modelo entrenado con un conjunto de imágenes no funcione apropiadamente con otro. Por otro lado, encontramos que al entrenar un modelo con la mezcla de diferentes bases de datos permite una mayor transferencia de aprendizaje, si bien no siempre ayuda al entrenamiento de un conjunto de datos particular.
XIX Workshop Agentes y Sistemas Inteligentes (WASI)
Red de Universidades con Carreras en Informática (RedUNCI)
Materia
Ciencias Informáticas
detección de peatones
transferencia de aprendizaje
SVM
HOG
Daimler
Inria
TUD-Brussels
LBP
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/73034

id SEDICI_50406bb7542edc22fadea08d80fed690
oai_identifier_str oai:sedici.unlp.edu.ar:10915/73034
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Transferencia de aprendizaje para clasificación de peatonesCamele, GenaroQuiroga, FacundoRonchetti, FrancoHasperué, WaldoLanzarini, Laura CristinaCiencias Informáticasdetección de peatonestransferencia de aprendizajeSVMHOGDaimlerInriaTUD-BrusselsLBPDesde la aparición, en el año 2005, de los Histogramas de Gradientes Orientados (HOG) como descriptor para detección de peatones, han aparecido numerosas publicaciones que permitieron mejorar la clasificación agregando mejoras o comparando con nuevos descriptores. Del mismo modo, año a año aparecen nuevas bases de datos con imágenes de entornos reales, que permiten la evaluación de los modelos desarrollados. No obstante, la utilización de un modelo entrenado en un entorno real nuevo no siempre resulta trivial y es un tema pendiente de estudio para este dominio. En este artículo, presentamos un protocolo para evaluar la transferencia de aprendizaje entre tres de las bases de datos más utilizadas en la literatura: INRIA, Daimler y TUD-Brussels. Comparamos los descriptores HOG y Patrones Binarios Locales (LBP) en conjunto con Máquinas de Vectores de Soporte (SVM) como clasificador de base. Los resultados obtenidos muestran que si bien cada conjunto de datos presenta escenas del mundo real, existen diferencias significativas que hacen que un modelo entrenado con un conjunto de imágenes no funcione apropiadamente con otro. Por otro lado, encontramos que al entrenar un modelo con la mezcla de diferentes bases de datos permite una mayor transferencia de aprendizaje, si bien no siempre ayuda al entrenamiento de un conjunto de datos particular.XIX Workshop Agentes y Sistemas Inteligentes (WASI)Red de Universidades con Carreras en Informática (RedUNCI)2018-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf52-61http://sedici.unlp.edu.ar/handle/10915/73034spainfo:eu-repo/semantics/altIdentifier/isbn/978-950-658-472-6info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:12:13Zoai:sedici.unlp.edu.ar:10915/73034Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:12:13.363SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Transferencia de aprendizaje para clasificación de peatones
title Transferencia de aprendizaje para clasificación de peatones
spellingShingle Transferencia de aprendizaje para clasificación de peatones
Camele, Genaro
Ciencias Informáticas
detección de peatones
transferencia de aprendizaje
SVM
HOG
Daimler
Inria
TUD-Brussels
LBP
title_short Transferencia de aprendizaje para clasificación de peatones
title_full Transferencia de aprendizaje para clasificación de peatones
title_fullStr Transferencia de aprendizaje para clasificación de peatones
title_full_unstemmed Transferencia de aprendizaje para clasificación de peatones
title_sort Transferencia de aprendizaje para clasificación de peatones
dc.creator.none.fl_str_mv Camele, Genaro
Quiroga, Facundo
Ronchetti, Franco
Hasperué, Waldo
Lanzarini, Laura Cristina
author Camele, Genaro
author_facet Camele, Genaro
Quiroga, Facundo
Ronchetti, Franco
Hasperué, Waldo
Lanzarini, Laura Cristina
author_role author
author2 Quiroga, Facundo
Ronchetti, Franco
Hasperué, Waldo
Lanzarini, Laura Cristina
author2_role author
author
author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
detección de peatones
transferencia de aprendizaje
SVM
HOG
Daimler
Inria
TUD-Brussels
LBP
topic Ciencias Informáticas
detección de peatones
transferencia de aprendizaje
SVM
HOG
Daimler
Inria
TUD-Brussels
LBP
dc.description.none.fl_txt_mv Desde la aparición, en el año 2005, de los Histogramas de Gradientes Orientados (HOG) como descriptor para detección de peatones, han aparecido numerosas publicaciones que permitieron mejorar la clasificación agregando mejoras o comparando con nuevos descriptores. Del mismo modo, año a año aparecen nuevas bases de datos con imágenes de entornos reales, que permiten la evaluación de los modelos desarrollados. No obstante, la utilización de un modelo entrenado en un entorno real nuevo no siempre resulta trivial y es un tema pendiente de estudio para este dominio. En este artículo, presentamos un protocolo para evaluar la transferencia de aprendizaje entre tres de las bases de datos más utilizadas en la literatura: INRIA, Daimler y TUD-Brussels. Comparamos los descriptores HOG y Patrones Binarios Locales (LBP) en conjunto con Máquinas de Vectores de Soporte (SVM) como clasificador de base. Los resultados obtenidos muestran que si bien cada conjunto de datos presenta escenas del mundo real, existen diferencias significativas que hacen que un modelo entrenado con un conjunto de imágenes no funcione apropiadamente con otro. Por otro lado, encontramos que al entrenar un modelo con la mezcla de diferentes bases de datos permite una mayor transferencia de aprendizaje, si bien no siempre ayuda al entrenamiento de un conjunto de datos particular.
XIX Workshop Agentes y Sistemas Inteligentes (WASI)
Red de Universidades con Carreras en Informática (RedUNCI)
description Desde la aparición, en el año 2005, de los Histogramas de Gradientes Orientados (HOG) como descriptor para detección de peatones, han aparecido numerosas publicaciones que permitieron mejorar la clasificación agregando mejoras o comparando con nuevos descriptores. Del mismo modo, año a año aparecen nuevas bases de datos con imágenes de entornos reales, que permiten la evaluación de los modelos desarrollados. No obstante, la utilización de un modelo entrenado en un entorno real nuevo no siempre resulta trivial y es un tema pendiente de estudio para este dominio. En este artículo, presentamos un protocolo para evaluar la transferencia de aprendizaje entre tres de las bases de datos más utilizadas en la literatura: INRIA, Daimler y TUD-Brussels. Comparamos los descriptores HOG y Patrones Binarios Locales (LBP) en conjunto con Máquinas de Vectores de Soporte (SVM) como clasificador de base. Los resultados obtenidos muestran que si bien cada conjunto de datos presenta escenas del mundo real, existen diferencias significativas que hacen que un modelo entrenado con un conjunto de imágenes no funcione apropiadamente con otro. Por otro lado, encontramos que al entrenar un modelo con la mezcla de diferentes bases de datos permite una mayor transferencia de aprendizaje, si bien no siempre ayuda al entrenamiento de un conjunto de datos particular.
publishDate 2018
dc.date.none.fl_str_mv 2018-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/73034
url http://sedici.unlp.edu.ar/handle/10915/73034
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-950-658-472-6
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
52-61
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844615992503697408
score 13.070432