Aprendizaje de la apariencia en escenarios virtuales para la detección de peatones

Detectar peatones en imágenes es una funcionalidad clave para evitar colisiones entre vehículos y peatones. Los detectores más prometedores se basan en clasificadores de peatones por apariencia entrenados con muestras etiquetadas. Este documento aborda la siguiente pregunta: ¿puede un modelo de apariencia de peatones aprendido en escenarios virtuales funcionar con éxito para la detección de peatones en imágenes reales? (Fig. 1). Nuestros experimentos sugieren una respuesta positiva, lo que es una conclusión nueva y relevante para la investigación en detección de peatones. Más específicamente, grabamos secuencias de entrenamiento en escenarios virtuales y luego se aprenden clasificadores de peatones basados en apariencia utilizando HOG y SVM lineal. Probamos tales clasificadores en un conjunto de datos disponible públicamente proporcionado por Daimler AG para la evaluación de la detección de peatones. Este conjunto de datos contiene imágenes del mundo real adquiridas desde un coche en movimiento. El resultado obtenido se compara con el proporcionado por un clasificador aprendido utilizando muestras provenientes de imágenes reales. La comparación revela que, aunque las muestras virtuales no fueron seleccionadas especialmente, tanto el entrenamiento basado en virtual como en real da lugar a clasificadores de rendimiento similar.