Resumen

Este artículo estudia la extracción de características y la expresión de nivel medio de la capa convolucional de la Red Neuronal Convolucional (CNN) de cristales rotos y agrietados en la escena de un accidente de tráfico. Se construye una pirámide de imágenes que se utiliza como entrada del modelo CNN, y se extraen por separado las características de rotura y agrietamiento de cristales en la escena de un accidente de tráfico en cada escala de la pirámide de imágenes, para luego extraer los descriptores de profundidad en diferentes escalas de imagen. Con el fin de mejorar el poder discriminatorio del descriptor de profundidad, se utilizan el núcleo de Hellinger y el Análisis de Componentes Principales (PCA) para realizar transformaciones no lineales y lineales. Se proponen dos estrategias de agregación basadas en los descriptores de profundidad para formar una representación global de la imagen. El experimento de clasificación del conjunto de datos muestra que el núcleo de Hellinger, la transformación de PCA y las dos estrategias de agregación son beneficios

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Extracción de características; Red Neuronal Convolucional; Capa convolucional; Accidente de tráfico; Rotura de vidrio; Características de grietas
• Keywords:Feature extraction;Convolutional Neural Network;convolutional layer;road traffic accident;glass breaking;crack characteristics