Transferencia de aprendizaje mediante redes neuronales convolucionales para el reconocimiento de conductores distraídos

Autores/as

  • Cristopher Bazan Yaranga Laboratorio de Investigación en Inteligencia Artificial y Robótica (LIIARPIC), Universidad Nacional de Ingeniería. Lima, Perú.
  • Zaid Sanchez Laboratorio de Investigación en Inteligencia Artificial y Robótica (LIIARPIC), Universidad Nacional de Ingeniería. Lima, Perú.
  • Ricardo Rodriguez Laboratorio de Investigación en Inteligencia Artificial y Robótica (LIIARPIC), Universidad Nacional de Ingeniería. Lima,Perú.

DOI:

https://doi.org/10.21754/tecnia.v28i2.549

Palabras clave:

Transferencia de Aprendizaje, Ingeniería de característica, Conductores distraídos, Redes Neuronales Convolucionales

Resumen

En el presente trabajo se plantea identificar si una persona se encuentra distraída o no, cuando está conduciendo un vehículo. Esto se logra mediante la clasificación de imágenes de conductores para determinar si están atentos o distraídos usando redes neuronales convolucionales (CNN) y dos herramientas para mejorar el algoritmo, las cuales son Transferencia de Aprendizaje e Ingeniería de Características. Para realizar el entrenamiento se usó imágenes de la competición de Kaggle, en las cuales se hicieron operaciones de rotación y aumento del tamaño para poder tener más datos y obtener mejores resultados. Posteriormente se usó la red extractora de características VGG16, que es un modelo pre-entrenado, de la cual se reemplazaron sus últimas capas para reducir el sobre-entrenamiento y adaptarla a nuestro algoritmo. Los resultados obtenidos en el clasificador nos dan una eficiencia de entrenamiento y validación del 99.30% y 99.46% respectivamente.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

[1] Oficina De Tecnología De Información Ministerio De Transportes Y Comunicaciones. [Consultado 25 Jul 2018]. Disponible en: https://www.mtc.gob.pe/cnsv/estadistica.html

[2] Ministerio de Salud –MINSA, “Situación de los accidentes de tránsito en el Peru”. [Consultado 25 Jul 2018]. Disponible en:https://elcomercio.pe/peru/accidentes-transito-750-personas-murieron-carreteras-peru-2018-noticia-574739

[3] Baheti B, Gajre S y Talbar S 2018 Detection of distracted driver using convolutional neural networken Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops 1032-1038.

[4] Abouelnaga Y, Eraqi H M y Moustafa M N 2017 Real-time distracted driver posture classification.arXiv preprint arXiv:1706.09498.

[5] Torres R, Ohashi O, Carvalho E y Pessin G 2017 A Deep Learning Approach to Detect Distracted Drivers Using a Mobile Phone enInternational Conference on Artificial Neural NetworksSpringer, Cham, 72-79

[6] Hoang Ngan Le T, Zheng Y, Zhu C, Luu K y Savvides M 2016 Multiple Scale Faster-RCNN Approach to Driver's Cell-Phone Usage and Hands on Steering Wheel Detection enProceedings of the IEEE Conferenceon Computer Vision and Pattern Recognition Workshops, 46-53

[7] Koesdwiady A, Bedawi S M, Ou C y Karray F 2017 End-to-end deep learning for driver distraction recognition enInternational Conference Image Analysis and RecognitionSpringer, Cham, 11-18

[8] Yosinski J, Clune J, Bengio Y y Lipson H 2014. How transferable are features in deep neural networks? enAdvances in neural information processing systems3320-3328

[9] Simonyan K y Zisserman A 2014. Very deep convolutional networks for large-scale imagerecognition.arXiv preprint arXiv:1409.1556.

[10] StateFarm: State Farm Distracted Driver Detection. [Consultado 5 Jul 2018]. Disponible en: https://www.kaggle.com/c/state-farm-distracted-driver-detection.

Publicado

2018-12-17

Cómo citar

[1]
C. Bazan Yaranga, Z. Sanchez, y R. Rodriguez, «Transferencia de aprendizaje mediante redes neuronales convolucionales para el reconocimiento de conductores distraídos», TEC, vol. 28, n.º 2, dic. 2018.

Número

Sección

Informática y Ciencia de la Computación