Apprentissage profond basé sur CNN pour la détection de piétons : un aperçu et une analyse

Les méthodes de détection de piétons basées sur l'apprentissage profond peuvent apprendre automatiquement des caractéristiques de manière supervisée ou non supervisée et sont capables d'apprendre des représentations de caractéristiques de haut niveau qualifiées pour détecter les piétons. Récemment, les méthodes d'apprentissage profond, principalement les algorithmes basés sur DCNN (Réseau de neurones convolutifs profonds), ont réalisé des progrès remarquables dans la détection des piétons. L'objectif de cet article est de passer en revue l'état de l'art des algorithmes de détection de piétons basés sur DCNN. De plus, nous mettons en évidence les contributions et les défis du DCNN dans la détection des piétons à partir des recherches récentes. En fait, cet article présente d'abord un certain nombre d'approches de formation bien connues basées sur DCNN et leur développement récent, puis décrit brièvement les algorithmes récents basés sur ces approches. En fin de compte, l'article analyse les algorithmes de détection de piétons profonds du point de vue de l'approche de formation, de la catégorisation et du modèle profond, et propose une nouvelle méthode de formation pour la détection de piétons profonds basée sur cette analyse.