Detección de peatones utilizando optimización multi-objetivo

Abstract

La detección de peatones en secuencias de video urbanas representa un desafío para los sistemas de clasificación. Cuando el fondo de la escena donde circulan las personas es muy texturado, el desempeño de la mayoría de los clasificadores se ve severamente afectado. En este artículo se propone la utilización de una técnica de Optimización Multi- Objetivo (en inglés Multi-Objective Optimization o MOO). La metodología entrena un pool de Cascadas de Clasificadores Dopados a partir de diferentes conjuntos de aprendizaje, otorgándoles un comportamiento particular. El análisis de sus curvas ROC permite construir un frente de Pareto que selecciona los puntos operacionales localmente dominantes. Los resultados de esta metodología sobre una secuencia real muestran una mejora en la performance del sistema de detección.