Published October 29, 2023
| Version v1
Publication
Open
Aprendizagem profunda para análise da ocupação do espaço público avaliando a presença de modais de trânsito
- 1. Universidade Estadual de Campinas (UNICAMP)
Description
No campo da Arquitetura, Engenharia e Construção (AEC), o Machine Learning (ML) tem sido usado em aplicações como design generativo, análises de desempenho e reconhecimento de imagens, entre outros. Neste contexto, o objetivo deste trabalho foi verificar a aplicação de Deep Learning (DL) por meio de Convolutional Neural Networks (CNNs) para Object Detection (Detecção de Objetos). O objetivo do código de DL neste trabalho foi quantificar a presença de diferentes modais de trânsito em determinada área urbana para subsidiar a análise de ocupação do espaço público. O código Detectron/Mask R-CNN de detecção de instâncias em imagens associado ao dataset COCO foi capaz de identificar padrões de ocupação do espaço urbano coerentes com o contexto existente na rua de uso misto, comercial e residencial, com lazer noturno. O padrão dá destaque aos modais de trânsito, carro e pedestres. Foram listadas considerações, que podem auxiliar futuros trabalhos acerca da detecção de instâncias em imagens de câmeras urbanas com o código e dataset empregados.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
في مجال الهندسة المعمارية والهندسة والبناء (AEC)، تم استخدام التعلم الآلي (ML) في تطبيقات مثل التصميم التوليدي وتحليل الأداء والتعرف على الصور، من بين أمور أخرى. في هذا السياق، كان الهدف من هذه الدراسة هو التحقق من تطبيق التعلم العميق (DL) من خلال الشبكات العصبية الالتفافية (CNNs) للكشف عن الكائنات. كان الهدف من كود رخصة القيادة في هذه الدراسة هو تحديد وجود أوضاع مرور مختلفة في منطقة حضرية معينة لدعم تحليل شغل الأماكن العامة. تمكن رمز الكاشف/القناع R - CNN للكشف عن الحالات في الصور المرتبطة بمجموعة بيانات كوكو من تحديد أنماط شغل الحيز الحضري بما يتفق مع السياق الموجود في الشارع متعدد الاستخدامات والتجاري والسكني، مع أوقات الفراغ الليلية. يسلط النمط الضوء على أوضاع حركة المرور والسيارات والمشاة. تم إدراج الاعتبارات، والتي قد تساعد في العمل المستقبلي على اكتشاف الحالات في صور الكاميرا الحضرية باستخدام الرمز ومجموعة البيانات المستخدمة.Translated Description (English)
In the field of Architecture, Engineering and Construction (AEC), Machine Learning (ML) has been used in applications such as generative design, performance analysis and image recognition, among others. In this context, the objective of this study was to verify the application of Deep Learning (DL) through Convolutional Neural Networks (CNNs) for Object Detection. The objective of the DL code in this study was to quantify the presence of different traffic modes in a given urban area to support the analysis of public space occupation. The Detectron/Mask R-CNN code for detecting instances in images associated with the COCO dataset was able to identify patterns of occupation of urban space consistent with the context existing on the mixed-use street, commercial and residential, with night-time leisure. The pattern highlights traffic, car and pedestrian modes. Considerations were listed, which may help future work on the detection of instances in urban camera images with the code and dataset used.Translated Description (French)
Dans le domaine de l'architecture, de l'ingénierie et de la construction (AEC), l'apprentissage automatique (ML) a été utilisé dans des applications telles que la conception générative, l'analyse des performances et la reconnaissance d'images, entre autres. Dans ce contexte, l'objectif de cette étude était de vérifier l'application du Deep Learning (DL) à travers les réseaux de neurones convolutifs (CNN) pour la détection d'objets. L'objectif du code DL dans cette étude était de quantifier la présence de différents modes de circulation dans une zone urbaine donnée pour soutenir l'analyse de l'occupation de l'espace public. Le code R-CNN Detectron/Mask pour détecter les instances dans les images associées à l'ensemble de données COCO a pu identifier des modèles d'occupation de l'espace urbain cohérents avec le contexte existant sur la rue à usage mixte, commerciale et résidentielle, avec des loisirs nocturnes. Le motif met en évidence les modes de circulation, voiture et piéton. Les considérations ont été énumérées, ce qui peut aider les travaux futurs sur la détection d'instances dans les images de caméras urbaines avec le code et l'ensemble de données utilisés.Translated Description (Spanish)
En el campo de la Arquitectura, Ingeniería y Construcción (AEC), el Machine Learning (ML) se ha utilizado en aplicaciones como el diseño generativo, el análisis de rendimiento y el reconocimiento de imágenes, entre otras. En este contexto, el objetivo de este estudio fue verificar la aplicación del Deep Learning (DL) a través de Redes Neuronales Convolucionales (CNNs) para la Detección de Objetos. El objetivo del código DL en este estudio fue cuantificar la presencia de diferentes modos de tráfico en un área urbana determinada para apoyar el análisis de la ocupación del espacio público. El código Detectron/Mask R-CNN para la detección de instancias en imágenes asociadas al conjunto de datos COCO fue capaz de identificar patrones de ocupación del espacio urbano coherentes con el contexto existente en la calle de uso mixto, comercial y residencial, con el ocio nocturno. El patrón destaca los modos de tráfico, coche y peatones. Se enumeraron consideraciones que pueden ayudar en el trabajo futuro sobre la detección de instancias en imágenes de cámaras urbanas con el código y el conjunto de datos utilizados.Files
2842.pdf
Files
(226 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:5360980bad11bf9723da89687501effc
|
226 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التعلم العميق لتحليل شغل الأماكن العامة وتقييم وجود أوضاع حركة المرور
- Translated title (English)
- Deep learning for analysis of the occupation of public space evaluating the presence of traffic modes
- Translated title (French)
- Apprentissage profond pour l'analyse de l'occupation de l'espace public évaluant la présence de modes de circulation
- Translated title (Spanish)
- Deep learning para el análisis de la ocupación del espacio público evaluando la presencia de modos de tráfico
Identifiers
- Other
- https://openalex.org/W4389517640
- DOI
- 10.46421/sbtic.v4i00.2617