A Robust Deep Learning based Human Tracking Framework in Crowded Environments

2021 ◽  
Vol 16 (4) ◽  
pp. 336-344
Author(s):  
Kyungseok Oh ◽  
Sunghyun Kim ◽  
Jinseop Kim ◽  
Seunghwan Lee
Keyword(s):  
Deep Learning ◽  
Human Tracking ◽  
Crowded Environments

scholarly journals Deep Learning for Accurate Indoor Human Tracking with a mm-Wave Radar

2020 ◽  
Author(s):  
Jacopo Pegoraro ◽  
Domenico Solimini ◽  
Federico Matteo ◽  
Enver Bashirov ◽  
Francesca Meneghello ◽  
...  
Keyword(s):  
Deep Learning ◽  
Human Tracking ◽  
Wave Radar

Human tracking of multi-rotor drone by deep learning

2019 ◽  
Vol 2019.57 (0) ◽  
pp. 1204
Author(s):  
Hirotaka SADATOH ◽  
Shingo OKAMOT ◽  
Jae Hoon LEE
Keyword(s):  
Deep Learning ◽  
Human Tracking

Iterative Scheme for Object Detection in Crowded Environments

2021 ◽  
Vol 12 (1) ◽  
pp. 31-39
Author(s):  
D. D. Rukhovich ◽  
Keyword(s):  
Deep Learning ◽  
Object Detection ◽  
Iterative Scheme ◽  
State Of The Art ◽  
Sufficient Accuracy ◽  
Two Stage ◽  
One Stage ◽  
Bounding Box ◽  
Bounding Boxes ◽  
Crowded Environments

Deep learning-based detectors usually produce a redundant set of object bounding boxes including many duplicate detections of the same object. These boxes are then filtered using non-maximum suppression (NMS) in order to select exactly one bounding box per object of interest. This greedy scheme is simple and provides sufficient accuracy for isolated objects but often fails in crowded environments, since one needs to both preserve boxes for different objects and suppress duplicate detections. In this work we develop an alternative iterative scheme, where a new subset of objects is detected at each iteration. Detected boxes from the previous iterations are passed to the network at the following iterations to ensure that the same object would not be detected twice. This iterative scheme can be applied to both one-stage and two-stage object detectors with just minor modifications of the training and inference proce­dures. We perform extensive experiments with two different baseline detectors on four datasets and show significant improvement over the baseline, leading to state-of-the-art performance on CrowdHuman and WiderPerson datasets.

Human Tracking in Top-view Fisheye Images with Color Histograms via Deep Learning Detection

2021 ◽  
Author(s):  
Olfa Haggui ◽  
Marina Vert ◽  
Kieran McNamara ◽  
Bastien Brieussel ◽  
Baptiste Magnier
Keyword(s):  
Deep Learning ◽  
Human Tracking ◽  
Color Histograms ◽  
Top View

Deep Learning

2009 ◽  
Author(s):  
Stellan Ohlsson
Keyword(s):  
Deep Learning

Intelligence artificielle : le futur de l’Orthodontie ?

2019 ◽  
Vol 53 (3) ◽  
pp. 281-294
Author(s):  
Jean-Michel Foucart ◽  
Augustin Chavanne ◽  
Jérôme Bourriau
Keyword(s):  
Big Data ◽  
Deep Learning ◽  
Intelligence Artificielle ◽  
Set Up

Nombreux sont les apports envisagés de l’Intelligence Artificielle (IA) en médecine. En orthodontie, plusieurs solutions automatisées sont disponibles depuis quelques années en imagerie par rayons X (analyse céphalométrique automatisée, analyse automatisée des voies aériennes) ou depuis quelques mois (analyse automatique des modèles numériques, set-up automatisé; CS Model +, Carestream Dental™). L’objectif de cette étude, en deux parties, est d’évaluer la fiabilité de l’analyse automatisée des modèles tant au niveau de leur numérisation que de leur segmentation. La comparaison des résultats d’analyse des modèles obtenus automatiquement et par l’intermédiaire de plusieurs orthodontistes démontre la fiabilité de l’analyse automatique; l’erreur de mesure oscillant, in fine, entre 0,08 et 1,04 mm, ce qui est non significatif et comparable avec les erreurs de mesures inter-observateurs rapportées dans la littérature. Ces résultats ouvrent ainsi de nouvelles perspectives quand à l’apport de l’IA en Orthodontie qui, basée sur le deep learning et le big data, devrait permettre, à moyen terme, d’évoluer vers une orthodontie plus préventive et plus prédictive.

Sign in / Sign up

Export Citation Format

Share Document