Araştırma Makalesi
BibTex RIS Kaynak Göster

LM Filter-Based Deep Convolutional Neural Network for Pedestrian Attribute Recognition

Yıl 2020, Cilt: 23 Sayı: 3, 605 - 613, 01.09.2020
https://doi.org/10.2339/politeknik.525600

Öz

Today,
Convolutional Neural Network (CNN) architectures have been used actively in
many different areas such as security, industry and big data. Thanks to the
convolution layers in these architectures, they can automatically extract the
best features that can give the desired results for a classification or
definition problem. In this paper, a new Hybrid Convolutional Neural Network
(HESA) architecture is proposed to calculate both the traditional and the deep
features. The main purpose of this network architecture is to combine the
traditional features obtained from the LM filters and the
deep features obtained from the CNN architecture so thus create a strong
feature data for classification. In the proposed model, the LM filter features
and deep features of the pedestrian image are calculated simultaneously. Then,
these features are combined and features vector consisting of
 different features is built. This
feature vector is taken into the classification process with the help of fully
connected layer. The developed HESA architecture has been applied for the
pedestrian attribute classification which is a very difficult problem. The
proposed model significantly outperforms the SVM and MRF based methods on the
PETA database. In addition, the use of the ReduceLROnPlateau model in the HESA
method has made a significant contribution to achieving high successes. 

Kaynakça

  • [1] R. Layne, T. M. Hospedales, and S. Gong, “Attributes-Based Re-identification”, Person Re-Identification, London: Springer London, 2014, pp. 93–117.
  • [2] M. Hirzer, C. Beleznai, P. M. Roth, and H. Bischof, “Person Re-identification by Descriptive and Discriminative Classification”, Scandinavian conference on Image analysis, Springer, Berlin, Heidelberg, 2011, pp. 91–102.
  • [3] L. Cao, M. Dikmen, Y. Fu, and T. S. Huang, “Gender recognition from body”, Proceeding of the 16th ACM international conference on Multimedia, New York, New York, USA: ACM Press, 2008, pp. 725–728.
  • [4] J. Zhu, S. Liao, Z. Lei, and S. Z. Li, “Multi-label convolutional neural network based pedestrian attribute classification”, Image Vis. Comput., vol. 58, pp. 224–229, Feb. 2017.
  • [5] Y. Deng, P. Luo, C. C. Loy, and X. Tang, “Pedestrian Attribute Recognition At Far Distance”, Proceedings of the ACM International Conference on Multimedia - MM ’14, New York, New York, USA: ACM Press, 2014, pp. 789–792.
  • [6] Y. Deng, P. Luo, C. C. Loy, and X. Tang, “Learning to Recognize Pedestrian Attribute”, arXiv Prepr. arXiv1501.00901, Jan. 2015.
  • [7] R. Layne, T. M. Hospedales, and S. Gong, “Towards Person Identification and Re-identification with Attributes”, European Conference on Computer Vision, Springer, Berlin, Heidelberg, 2012, pp. 402–412.
  • [8] T. Matsukawa and E. Suzuki, “Person re-identification using CNN features learned from combination of attributes”, 2016 23rd International Conference on Pattern Recognition (ICPR), 2016, pp. 2428–2433.
  • [9] E. S. Jaha and M. S. Nixon, “Soft biometrics for subject identification using clothing attributes”, IEEE International Joint Conference on Biometrics, 2014, pp. 1–6.
  • [10] L. An, Xiaojing Chen, M. Kafai, S. Yang, and B. Bhanu, “Improving person re-identification by soft biometrics based reranking”, 2013 Seventh International Conference on Distributed Smart Cameras (ICDSC), 2013, pp. 1–6.
  • [11] J. Friedman, T. Hastie, and R. Tibshirani, “Additive logistic regression: a statistical view of boosting (With discussion and a rejoinder by the authors)”, Ann. Stat., vol. 28, no. 2, pp. 337–407, Apr. 2000.
  • [12] J. Zhu, S. Liao, Z. Lei, D. Yi, and S. Li, “Pedestrian Attribute Classification in Surveillance: Database and Evaluation”, The IEEE International Conference on Computer Vision (ICCV) Workshops, 2013, pp. 331–338.
  • [13] J. Zhu, S. Liao, Z. Lei, and S. Z. Li, “Improve Pedestrian Attribute Classification by Weighted Interactions from Other Attributes”, Computer Vision - ACCV 2014 Workshops. ACCV 2014. Lecture Notes in Computer Science, 2014, pp. 545–557.
  • [14] L. Bourdev, S. Maji, and J. Malik, “Describing people: A poselet-based approach to attribute classification”, 2011 International Conference on Computer Vision, 2011, pp. 1543–1550.
  • [15] C. Su, S. Zhang, J. Xing, W. Gao, and Q. Tian, “Deep Attributes Driven Multi-Camera Person Re-identification”, European conference on computer vision, 2016, pp. 475–491.
  • [16] J. Zhu, S. Liao, D. Yi, Z. Lei, and S. Z. Li, “Multi-label CNN based pedestrian attribute learning for soft biometrics”, 2015 International Conference on Biometrics (ICB), 2015, pp. 535–540.
  • [17] P. Liu, X. Liu, J. Yan, and J. Shao, “Localization Guided Learning for Pedestrian Attribute Recognition”, Localization Guid. Learn. Pedestr. Attrib. Recognit., Aug. 2018.
  • [18] A. J. O’Toole, C. D. Castillo, C. J. Parde, M. Q. Hill, and R. Chellappa, “Face Space Representations in Deep Convolutional Neural Networks”, Trends Cogn. Sci., vol. 22, no. 9, pp. 794–809, Sep. 2018.
  • [19] Y. Seo and K. Shin, “Hierarchical convolutional neural networks for fashion image classification”, Expert Syst. Appl., vol. 116, pp. 328–339, Feb. 2019.
  • [20] L. A. Gatys, A. S. Ecker, and M. Bethge, “Texture and art with deep neural networks”, Curr. Opin. Neurobiol., vol. 46, pp. 178–186, Oct. 2017.
  • [21] K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition”, arXiv preprint arXiv:1409.1556., Sep. 2014.
  • [22] “CS231n Convolutional Neural Networks for Visual Recognition.” [Online]. Available: http://cs231n.github.io/convolutional-networks/#conv. [Accessed: 17-Dec-2018].

Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı

Yıl 2020, Cilt: 23 Sayı: 3, 605 - 613, 01.09.2020
https://doi.org/10.2339/politeknik.525600

Öz

Günümüzde Evrişimsel Sinir Ağı (ESA) mimarileri güvenlik, endüstri ve
büyük veri gibi birçok farklı alanda aktif olarak kullanılmaktadır. Bu
mimarilerdeki evrişim katmanları, bir sınıflandırma veya tanımlama problemi
için istenilen sonuçları verebilecek en iyi öznitelikleri otomatik olarak
çıkartabilmektedir. Bu çalışmada, hem geleneksel hem de derin öznitelikleri
hesaplamak için yeni bir Hibrit Evrişimsel Sinir Ağı (HESA) mimarisi
önerilmiştir. Bu ağ mimarisinin temel amacı, LM filtrelerinden elde edilen
geleneksel öznitelikler ile ESA mimarisinden elde edilen derin öznitelikleri birleştirerek
güçlü bir öznitelik verisi oluşturmaktır. Önerilen modelde yaya görüntüsünden
elde edilen LM filtre öznitelikleri ve derin öznitelikler eşzamanlı olarak
hesaplanmaktadır. Daha sonra bu öznitelikler birleştirilir ve
 farklı öznitelikten oluşan bir
öznitelik vektörü oluşturulur. Bu öznitelik vektörü tam bağlı katmanlar yardımı
ile sınıflandırma işlemine alınır. Geliştirilen HESA mimarisi çok zor bir
problem olan yaya özellik sınıflandırması için uygulanmıştır. Önerilen model PETA
veri tabanında SVM ve MRF tabanlı yöntemlerden önemli ölçüde daha iyi
performans göstermiştir. Ayrıca, ReduceLROnPlateau modelinin HESA
yönteminde kullanılması yüksek başarıların elde edilmesine önemli bir katkı sağlamıştır.

Kaynakça

  • [1] R. Layne, T. M. Hospedales, and S. Gong, “Attributes-Based Re-identification”, Person Re-Identification, London: Springer London, 2014, pp. 93–117.
  • [2] M. Hirzer, C. Beleznai, P. M. Roth, and H. Bischof, “Person Re-identification by Descriptive and Discriminative Classification”, Scandinavian conference on Image analysis, Springer, Berlin, Heidelberg, 2011, pp. 91–102.
  • [3] L. Cao, M. Dikmen, Y. Fu, and T. S. Huang, “Gender recognition from body”, Proceeding of the 16th ACM international conference on Multimedia, New York, New York, USA: ACM Press, 2008, pp. 725–728.
  • [4] J. Zhu, S. Liao, Z. Lei, and S. Z. Li, “Multi-label convolutional neural network based pedestrian attribute classification”, Image Vis. Comput., vol. 58, pp. 224–229, Feb. 2017.
  • [5] Y. Deng, P. Luo, C. C. Loy, and X. Tang, “Pedestrian Attribute Recognition At Far Distance”, Proceedings of the ACM International Conference on Multimedia - MM ’14, New York, New York, USA: ACM Press, 2014, pp. 789–792.
  • [6] Y. Deng, P. Luo, C. C. Loy, and X. Tang, “Learning to Recognize Pedestrian Attribute”, arXiv Prepr. arXiv1501.00901, Jan. 2015.
  • [7] R. Layne, T. M. Hospedales, and S. Gong, “Towards Person Identification and Re-identification with Attributes”, European Conference on Computer Vision, Springer, Berlin, Heidelberg, 2012, pp. 402–412.
  • [8] T. Matsukawa and E. Suzuki, “Person re-identification using CNN features learned from combination of attributes”, 2016 23rd International Conference on Pattern Recognition (ICPR), 2016, pp. 2428–2433.
  • [9] E. S. Jaha and M. S. Nixon, “Soft biometrics for subject identification using clothing attributes”, IEEE International Joint Conference on Biometrics, 2014, pp. 1–6.
  • [10] L. An, Xiaojing Chen, M. Kafai, S. Yang, and B. Bhanu, “Improving person re-identification by soft biometrics based reranking”, 2013 Seventh International Conference on Distributed Smart Cameras (ICDSC), 2013, pp. 1–6.
  • [11] J. Friedman, T. Hastie, and R. Tibshirani, “Additive logistic regression: a statistical view of boosting (With discussion and a rejoinder by the authors)”, Ann. Stat., vol. 28, no. 2, pp. 337–407, Apr. 2000.
  • [12] J. Zhu, S. Liao, Z. Lei, D. Yi, and S. Li, “Pedestrian Attribute Classification in Surveillance: Database and Evaluation”, The IEEE International Conference on Computer Vision (ICCV) Workshops, 2013, pp. 331–338.
  • [13] J. Zhu, S. Liao, Z. Lei, and S. Z. Li, “Improve Pedestrian Attribute Classification by Weighted Interactions from Other Attributes”, Computer Vision - ACCV 2014 Workshops. ACCV 2014. Lecture Notes in Computer Science, 2014, pp. 545–557.
  • [14] L. Bourdev, S. Maji, and J. Malik, “Describing people: A poselet-based approach to attribute classification”, 2011 International Conference on Computer Vision, 2011, pp. 1543–1550.
  • [15] C. Su, S. Zhang, J. Xing, W. Gao, and Q. Tian, “Deep Attributes Driven Multi-Camera Person Re-identification”, European conference on computer vision, 2016, pp. 475–491.
  • [16] J. Zhu, S. Liao, D. Yi, Z. Lei, and S. Z. Li, “Multi-label CNN based pedestrian attribute learning for soft biometrics”, 2015 International Conference on Biometrics (ICB), 2015, pp. 535–540.
  • [17] P. Liu, X. Liu, J. Yan, and J. Shao, “Localization Guided Learning for Pedestrian Attribute Recognition”, Localization Guid. Learn. Pedestr. Attrib. Recognit., Aug. 2018.
  • [18] A. J. O’Toole, C. D. Castillo, C. J. Parde, M. Q. Hill, and R. Chellappa, “Face Space Representations in Deep Convolutional Neural Networks”, Trends Cogn. Sci., vol. 22, no. 9, pp. 794–809, Sep. 2018.
  • [19] Y. Seo and K. Shin, “Hierarchical convolutional neural networks for fashion image classification”, Expert Syst. Appl., vol. 116, pp. 328–339, Feb. 2019.
  • [20] L. A. Gatys, A. S. Ecker, and M. Bethge, “Texture and art with deep neural networks”, Curr. Opin. Neurobiol., vol. 46, pp. 178–186, Oct. 2017.
  • [21] K. Simonyan and A. Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition”, arXiv preprint arXiv:1409.1556., Sep. 2014.
  • [22] “CS231n Convolutional Neural Networks for Visual Recognition.” [Online]. Available: http://cs231n.github.io/convolutional-networks/#conv. [Accessed: 17-Dec-2018].
Toplam 22 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Mühendislik
Bölüm Araştırma Makalesi
Yazarlar

Hüseyin Üzen 0000-0002-0998-2130

Kazım Hanbay 0000-0003-1374-1417

Yayımlanma Tarihi 1 Eylül 2020
Gönderilme Tarihi 11 Şubat 2019
Yayımlandığı Sayı Yıl 2020 Cilt: 23 Sayı: 3

Kaynak Göster

APA Üzen, H., & Hanbay, K. (2020). Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı. Politeknik Dergisi, 23(3), 605-613. https://doi.org/10.2339/politeknik.525600
AMA Üzen H, Hanbay K. Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı. Politeknik Dergisi. Eylül 2020;23(3):605-613. doi:10.2339/politeknik.525600
Chicago Üzen, Hüseyin, ve Kazım Hanbay. “Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı”. Politeknik Dergisi 23, sy. 3 (Eylül 2020): 605-13. https://doi.org/10.2339/politeknik.525600.
EndNote Üzen H, Hanbay K (01 Eylül 2020) Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı. Politeknik Dergisi 23 3 605–613.
IEEE H. Üzen ve K. Hanbay, “Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı”, Politeknik Dergisi, c. 23, sy. 3, ss. 605–613, 2020, doi: 10.2339/politeknik.525600.
ISNAD Üzen, Hüseyin - Hanbay, Kazım. “Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı”. Politeknik Dergisi 23/3 (Eylül 2020), 605-613. https://doi.org/10.2339/politeknik.525600.
JAMA Üzen H, Hanbay K. Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı. Politeknik Dergisi. 2020;23:605–613.
MLA Üzen, Hüseyin ve Kazım Hanbay. “Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı”. Politeknik Dergisi, c. 23, sy. 3, 2020, ss. 605-13, doi:10.2339/politeknik.525600.
Vancouver Üzen H, Hanbay K. Yaya Özellik Tanıma için LM Filtre Temelli Derin Evrişimsel Sinir Ağı. Politeknik Dergisi. 2020;23(3):605-13.
 
TARANDIĞIMIZ DİZİNLER (ABSTRACTING / INDEXING)
181341319013191 13189 13187 13188 18016 

download Bu eser Creative Commons Atıf-AynıLisanslaPaylaş 4.0 Uluslararası ile lisanslanmıştır.