CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Big Data y Deep Learning para detección de objetos en imágenes

Estudiants que han llegit aquest projecte:

Director/a: SALAMÍ SAN JUAN, ESTHER

Departament: DAC

Títol: Big Data y Deep Learning para detección de objetos en imágenes

Data inici oferta: 01-02-2017     Data finalització oferta: 01-10-2017


Estudis d'assignació del projecte:
    GR ENG SIS TELECOMUN
    GR ENG TELEMÀTICA
Tipus: Individual
 
Lloc de realització: EETAC
 
Paraules clau:
Procesado de imágenes, clasificadores, detección de objectos, haar-cascade, transfer learning
 
Descripció del contingut i pla d'activitats:
En este proyecto se analizará el estado del arte en detección de
objetos, focalizando especialmente en los campos de Deep
Learning y Big Data.

Se tratará también el problema que supone no tener un número de
muestras suficiente para entrenar el sistema. Para ello se
emplearán tanto tecnologías ya probadas, como es el caso de
Haar-Cascade sobre la librería OpenCV, como métodos
relativamente nuevos como transfer learning. En el caso de
transfer learning se utilizará el framework desarrollado por
Microsoft denominado Cognitive Toolkit y también servicios cloud
de Microsoft como Azure.

Finalmente probaremos de forma experimental si todo esto es
posible y que resultados e ideas podemos extraer de todo ello de
cara al futuro.
 
Overview (resum en anglès):
In this project we can see two fields that are very popular nowadays, Big Data and Deep Learning. In particular, the object detection is in the field of artificial vision. But we are not looking for detect an object within the image, we try to solve a problem.
The problem to resolve is when we don't have a dataset large enough to get an optimal result. These days this problem persist, if we develop an application to looking for a rare animal species that is endangered, is more probably that the images that we have from this animal will be not enough to get a good result for detect them.
To resolve this problem we have used two different technologies. The first one, it has proved it efficiency detecting faces, this is the Haar-Cascade over OpenCV. The second one is relatively newest, it is called transfer learning.
In the case of transfer learning we use a framework called Cognitive Toolkit developed by Microsoft and also we use Azure cloud service developed by Microsoft.
To prove the efficiency of this two methods we have tried to detect different objects: Watches, wolfs, sheep and helipad signs. We have chosen this last object because there isn’t any dataset of it and this makes it closer to a one real case.
Finally, we will test in practical way. If all we planned before is possible we will be able to find out interesting ideas for the future.

© CBLTIC Campus del Baix Llobregat - UPC