Convolutional neural network based method for pedestrian detection

In the field of Artificial Intelligence, one of the latest goal that has recently been tried to achieve is the creation of systems with better "primary senses" than humans, or at least similar, like hearing and sight. The state of the art in visual recognition is represented by Convolutional Neural Networks based algorithms. In particular, they have been proved to produce much more accurate results than other methods in classification tasks on a variety of objects. In the case of pedestrian detection instead, Aggregated Channel Features achieves the best results in terms of both execution time and accuracy. This work aims at training a Convolutional Neural Network for pedestrian detection, starting from what has been done so far to verify, like has happened detecting other objects, if CNNs produce results that are at least comparable with the state of the art ones. The results confirm the trend: CNNs succeed in the task of pedestrian detection, with comparable performance to the state of the art methods. Applications such as military surveillance or automotive applications are particularly compelling as they have the potential to save numerous lives.

Nell'ambito dell'intelligenza artificiale, uno degli obbiettivi che negli ultimi tempi si è cercato di raggiungere, è la creazione di sistemi migliori degli esseri umani (o comunque comparabili), nei sensi primari come vista e udito. Lo stato dell'arte nell'ambito del riconoscimento visivo è rappresentato da algoritmi basati su Reti Neurali Convolutive. In particolare, queste hanno dimostrato essere molto più accurate rispetto ad altri metodi nel riconoscimento di vari oggetti. Per il riconoscimento di pedoni, metodi basati su Aggregated Channel Features sono quelli che invece garantiscono risultati migliori in termini di tempo di elaborazione ed accuracy. Questo lavoro ha come obiettivo quello dell'addestramento di una Rete Neurale Convolutiva per il riconoscimento di pedoni, partendo da quello che è stato fatto, in modo da verificare se, come è accaduto nel riconoscimento di altri oggetti, l'utilizzo di CNN porta a risultati con un accuratezza almeno comparabile con i metodi allo stato dell'arte. I risultati trovati confermano le aspettative: CNN ha successo nell'operazione di riconoscimento di persone, con prestazioni comparabili con quello di metodi allo stato dell'arte. Applicazioni come quelle per scopi militari, di sorveglianza o di tracciamento di pedoni per sistemi di assistenza su veicoli possono trarre particolare beneficio dall’utilizzo da questi modelli, con il potenziale per salvare numerose vite.