Identificación de peatones mediante aprendizaje profundo con arquitectura clásica y moderna de redes neuronales convolucionales

• Autores: Ordoñez Ramos, Erech, Mamani Vilca, Ecler, Mamani Coaquira, Yonatan
• Formato: artículo
• Fecha de Publicación: 2020
• Institución: Universidad Nacional Micaela Bastidas de Apurímac
• Repositorio: UNMB-Riqchary
• Lenguaje: español
• OAI Identifier: oai:revistas.unamba.edu.pe:article/56
• Enlace del recurso: https://revistas.unamba.edu.pe/index.php/riqchary/article/view/56
• Nivel de acceso: acceso abierto
• Materia: recognition of people; convolutional neural network; deep learning

Este artículo se refiere a la investigación realizada en la Universidad Nacional Micaela Bastidas (UNAMBA), cuyos objetivos específicos fueron: determinar, en una primera etapa de aprendizaje, la precisión de una arquitectura clásica de Red Neuronal Convolucional (CNN) en la identificación de personas de la UNAMBA; determinar, en una segunda etapa, la precisión de una arquitectura moderna de Red Neuronal de Respuesta Rápida (RNC); y, finalmente, comparar ambos resultados para encontrar el de mayor precisión. El entrenamiento se realizó con datos de 242 personas. Para ello, se generaron 27 996 imágenes mediante técnicas de extracción de video y aumento de datos, las cuales se dividieron en 19 700 para entrenamiento y 8296 para validación. En cuanto a los resultados de la primera etapa, se propone un modelo modificado, VGG16-UNAMBA, con el que se alcanzó una precisión de 0,9721; mientras que en la segunda etapa se propone DenseNet121-UNAMBA, con el que se alcanzó una precisión de 0,9943. Llegando a la conclusión de que el uso del aprendizaje profundo permite identificar al personal de UNAMBA con un alto grado de precisión.