Distant Pedestrian Detection in the Wild using Single Shot Detector with\n Deep Convolutional Generative Adversarial Networks
Notice bibliographique
Résumé
In this work, we examine the feasibility of applying Deep Convolutional\nGenerative Adversarial Networks (DCGANs) with Single Shot Detector (SSD) as\ndata-processing technique to handle with the challenge of pedestrian detection\nin the wild. Specifically, we attempted to use in-fill completion (where a\nportion of the image is masked) to generate random transformations of images\nwith portions missing to expand existing labelled datasets. In our work, GAN\nhas been trained intensively on low resolution images, in order to neutralize\nthe challenges of the pedestrian detection in the wild, and considered humans,\nand few other classes for detection in smart cities. The object detector\nexperiment performed by training GAN model along with SSD provided a\nsubstantial improvement in the results. This approach presents a very\ninteresting overview in the current state of art on GAN networks for object\ndetection. We used Canadian Institute for Advanced Research (CIFAR), Caltech,\nKITTI data set for training and testing the network under different resolutions\nand the experimental results with comparison been showedbetween DCGAN cascaded\nwith SSD and SSD itself.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».