UFS › SIGAA - Sistema Integrado de Gestão de Atividades Acadêmicas São Cristóvão, 19 de Outubro de 2020


Notícias

Banca de DEFESA: MICHEL CONRADO CARDOSO MENESES
17/10/2019 09:58


Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE: MICHEL CONRADO CARDOSO MENESES
DATA: 25/10/2019
HORA: 09:00
LOCAL: Auditório do Dcomp
TÍTULO: Rastreamento em Tempo Real de Múltiplos Objetos por Associação de Detecções
PALAVRAS-CHAVES: Rastreamento online de múltiplos objetos, Visão computacional, Aprendizado de máquina.
PÁGINAS: 134
GRANDE ÁREA: Ciências Exatas e da Terra
ÁREA: Ciência da Computação
SUBÁREA: Metodologia e Técnicas da Computação
ESPECIALIDADE: Processamento Gráfico (Graphics)
RESUMO:

Devido ao recente avanço na área de detecção de objetos, o rastreamento por detecção (no inglês, tracking-by-detection) tornou-se o principal paradigma adotado por algoritmos de rastreamento de múltiplos objetos. Com base na extração de diferentes características de objetos detectados, tais algoritmos são capazes de estimar a similaridade e o padrão de associação dos objetos ao longo de sucessivas imagens. No entanto, uma vez que as funções de similaridade aplicadas por algoritmos de rastreamento são construídas manualmente, sua utilização em novos cenários é dificultada. Este trabalho investiga o uso de redes neurais artificiais para o aprendizado de funções de similaridade que podem ser aplicadas entre detecções. Durante seu treinamento, tais redes foram apresentadas a padrões de associações corretas e incorretas, amostradas de múltiplas bases de dados. Para tanto, diferentes combinações de características relacionadas à aparência e à movimentação foram exploradas. Uma rede treinada foi inserida num framework de rastreamento de múltiplos objetos, o qual foi avaliado em três diferentes cenários de experimentação: o rastreamento de pedestres, o rastreamento de passageiros de ônibus e a contagem automática de passageiros de ônibus. No primeiro experimento o método proposto obteve acurácia de 60.4% sobre o benchmark MOT Challenge 2016, similar à apresentada por algoritmos considerados estado da arte, porém a um menor custo computacional. Já o segundo experimento foi realizado a partir de uma base de dados construída localmente, sobre a qual o método proposto igualou a acurácia de sua principal baseline, porém com ganho de 42.8% em velocidade. Finalmente, o terceiro experimento correspondeu a um estudo de caso no qual a contagem obtida através do método proposto apresentou um erro média absoluto 40.7% menor que sua baseline.


MEMBROS DA BANCA:
Interno - 2027113 - ANDRE BRITTO DE CARVALHO
Interno - 1907885 - BRUNO OTAVIO PIEDADE PRADO
Presidente - 1194034 - LEONARDO NOGUEIRA MATOS
Externo à Instituição - PAULO SALGADO GOMES DE MATTOS NETO

SIGAA | Superintendência de Tecnologia da Informação/UFS | Telefonista/UFS (79)3194-6600 | Copyright © 2009-2020 - UFRN v3.5.16 -r12646-2c874e3307