Detección de Objetos con Asociación de Datos Embebida

Abstract

El tracking visual de objetos está en pleno auge debido a sus numerosas aplicaciones, entre las que se encuentran los vehículos autónomos o la videovigilancia. En esta tarea se busca precisión a la par que velocidad siendo un requisito indispensable el funcionamiento en tiempo real. En este campo, una tendencia rompedora ha sido la introducción de detectores basados en aprendizaje profundo capaces de plantear hipótesis sobre la posición de los objetos de interés a la par que proposiciones de vectores de características, conocidos como embeddings, para los diferentes objetos identificados, orientados a la asociación de detecciones a lo largo del tiempo, soluciones que detectan y siguen objetos con una única red neuronal convolucional. Como respuesta a la necesidad de mejorar la capacidad discriminativa de estos vectores de características, entre objetos con identidades diferentes, en este TFM se plantea la integración de un autoencoder en una red de detección con embeddings. Con esta arquitectura es posible reducir la dimensionalidad y eliminar el ruido de los embeddings, potenciando la capacidad discriminativa de estos mediante la reformulación de las características de interés. El sistema propuesto ha sido evaluado en los conjuntos de datos de referencia para tracking mostrando mejora en rendimiento sin descuidar la velocidad de ejecución, permitiendo su funcionamiento en tiempo real.