Aprendizaje incremental para la detección de objetos en vídeo

Abstract

El avance tecnológico en campos como Inteligencia Artificial y Computación se ha visto reflejado en un incremento del interés por los sistemas de identificación de objetos en vídeo. Se trata de un área de investigación con múltiples posibilidades, como seguimiento de objetos, vigilancia o conducción autónoma. En los últimos años se ha dado una transformación significativa en la forma de detectar objetos, sustituyendo métodos convencionales por otros más complejos, como el Deep Learning. El uso de Deep Learning para detectar objetos es un estándar, pues obtiene resultados sin precedentes con una precisión superior a la humana. Sin embargo, en entornos realistas, este rendimiento baja drásticamente, ya que el dominio puede cambiar considerablemente y su entrenamiento se realiza usando bases de datos académicas, con poca información cercana a la realidad. Esto hace precisa una adaptación del dominio del modelo para que pueda manejar situaciones nuevas con diferentes puntos de vista de objetos ya conocidos o detectar objetos nuevos no considerados en la base de datos. Este TFG aborda este problema aplicando un enfoque de aprendizaje incremental para adaptar el dominio del modelo y mejorar así su rendimiento de detección ante un entorno nuevo. Se utiliza un pipeline no supervisado que localiza objetos usando una red de detección, un flujo óptico precalculado y un clasificador de imágenes que asigna las clases a esos objetos. Posteriormente, se añade aprendizaje incremental al clasificador de imágenes para adaptar su dominio a la tarea de destino. Se realizan diversos entrenamientos utilizando un dataset que incluye secuencias de vídeo tomadas en la zona de carga y descarga de un aeropuerto. En este entorno aparecen objetos nuevos no conocidos y los conocidos no aparecen en primer plano o, incluso, su tamaño es muy pequeño como para ser detectados con enfoques tradicionales. Finalmente, se lleva a cabo una evaluación y comparativa de los resultados obtenidos.