Resumen

La deteccin de objetos en imgenes trmicas es una importante tarea de visin por ordenador y tiene muchas aplicaciones, como vehculos no tripulados, robtica, vigilancia y visin nocturna. Los detectores basados en aprendizaje profundo han logrado grandes avances, pero normalmente necesitan una gran cantidad de datos de entrenamiento etiquetados. Sin embargo, los datos etiquetados para la deteccin de objetos en imgenes trmicas son escasos y caros de recopilar. Se espera resolver cmo aprovechar el gran nmero de imgenes visibles etiquetadas y adaptarlas al dominio de las imgenes trmicas. Este artculo propone un mtodo de adaptacin mejorado de generacin de imgenes no supervisada para la deteccin de objetos en imgenes trmicas. Para reducir la brecha entre el dominio visible y el dominio trmico, el mtodo propuesto consigue generar imgenes trmicas falsas simuladas que son similares a las imgenes objetivo y conserva la informacin de anotacin del dominio fuente visible. La generacin de imgenes incluye una traslacin imagen a imagen basada en CycleGAN y una transformacin de inversin de intensidad. Las imgenes trmicas falsas generadas se utilizan como dominio fuente renovado y, a continuacin, se utiliza la RCNN de adaptacin de dominio ms rpida para reducir la brecha entre el dominio intermedio generado y el dominio trmico objetivo. Los experimentos demuestran la eficacia y superioridad del mtodo propuesto.

• Materias:Inteligencia artificial Aplicación móvil Asistencia tecnológica a personas con discapacidad Tecnología en educación
• Subjects:Artificial intelligence Mobile application Technological assistance to people with disabilities Technology in education
• Palabras claves:Detección de objetos; Imágenes térmicas; Aprendizaje profundo; Datos etiquetados; Generación de imágenes; Adaptación de dominios.
• Keywords:Object detection; Thermal images; Deep learning; Labelled data; Image generation; Domain adaptation