Evaluación de modelos de difusión para la estimación de densidad de multitudes a partir de videos

Resumen

"El análisis de multitudes ha sido de gran relevancia en los últimos años, con aplicaciones en cuestiones de seguridad, de monitoreo urbano, gestión de eventos masivos o análisis demográfico. La modelación del movimiento de multitudes y el desarrollo de técnicas de predicción o de simulación basados en aprendizaje máquina, a partir de datos, permiten aportar estrategias para resolver este problema, y por ende mejorar la seguridad y la prevención de riesgos en los contextos antes dichos. Al día de hoy, el aprendizaje maquina es la herramienta principal para poder desarrollar este objetivo, y, entre todas las técnicas modernas de aprendizaje máquina, los procesos de difusión ofrecen una alternativa poderosa en la estimación de densidad a partir de imágenes de multitudes. Estos modelos están inspirados en procesos estocásticos de tipo Márkov que aprenden a generar datos complejos, mediante la perturbación por ruido de los datos de entrenamiento y la optimización de los parámetros de una red neuronal para estimar el ruido aplicado. Sabiendo cómo estimar el ruido aplicado en un cierto paso, estos modelos generativos pueden sintetizar datos plausibles a partir de puro ruido. En nuestro caso, los modelos de difusión aprenden a generar una representación visual de la densidad asociada a una imagen de una multitud, a partir de ruido puro y de manera condicionada a la imagen observada. Posteriormente, se analiza para estimar el número de personas presentes en la escena. En este trabajo, se explora la aplicación de estos modelos con datos del Festival de Love Parade del 2010 en Duisburgo (Alemania), en el cual ocurrió una estampida, dejando aproximadamente 51 muertos. Sucesos como estos son la motivación para realizar este tipo análisis para prevenir accidentes
fatales."