Indonesi an  Journa l  of  El ect ri cal Engineer ing  an d  Comp ut er  Scie nce   Vo l.   13 ,  No.   1 ,  Jan uar y   201 9 ,   pp.  2 2 ~ 2 6   IS S N: 25 02 - 4752, DO I: 10 .11 591/ijeecs .v1 3 .i 1 .pp 2 2 - 2 6          22       Journ al h om e page :  http: // ia es core.c om/j ourn als/i ndex. ph p/ij eecs   Develop ment of f ra m ewo rk for d etectin g s mokin g scene    in vide o clips       Po onam G ,  S h as h an k  B.  N ,   At hri  G R ao   Depa rtment  o f  C om pute r  Scie n ce a nd  Engi n ee rin g,   Rashtr eey a   Vi d y a lay a   Col le g e of  Engi n ee rin g  ( RVCE),     Benga luru ,   Ind ia       Art ic le  In f o     ABSTR A CT   Art ic le  history:   Re cei ved   A ug  21 , 201 8   Re vised  Oct  22 , 2 01 8   Accepte d  Nov  5 , 2 01 8       Acc ording  to  Gl obal   Adult  Tob ac co  Surve y   20 16 - 17,   61. 9%  of   peopl e  ar e   quit ti ng   tob ac co .   Th e  r ea son  w as  the  warni ngs   display e d  on   t he  produc t   cove rs,  vid eo  cli ps,  and  adve r ti sm ent s.  The   foc u s  of  thi s  pape r  is  to  aut om ate   the   proc ess  of  display ing  warn ing  m e ss age s  in  vide o  clips.  Thi s  paper   expl a ins  the  dev el opm ent   of   a  s y stem  to   au tomaticall y   de tect  t he  sm oking  sce nes  using  image  re cogni t ion   appr oac h  in  vi deo  cl ips  and  t hen  add  the   warni ng  m essage   to   the  vie w er.   The  appr o ac h  ai m s  to  de te c t  t he  c iga re tte   obje c t  using  Tens orflow’s  object  d et e ct ion   AP I.   T ensorflow  i s  an  ope n   source   software   li bra r y   for  m a c hine   l ea rning  pr ovide d  b y   Goog le   which  is  broa dl y   used  in   the   fie ld  imag e  rec ogni ti on.   At  pre sent,   Faster  R - CNN   (Regi on - base d  Convolut ional  Neura l  Network s)  wi th  Inc ept io n  ResNet  is   the T ensorflow’s  slowest  but  m ost  ac cur ate  m odel .   Faster  R - CNN   with  Inc eption  Resne t  v2  m odel   is   us ed  to  det ect  sm o king  sce nes  b y   t rai ning  the  m odel   with ci g ar et t e  as   an  ob ject .   Ke yw or d s :   Deep l ear ning   Faste r  R - C N N   Object  detect io n   S m ok ing   scene  d et ect io n   Tens orflo w   Copyright   ©   201 9   Instit ut e  o f Ad vanc ed   Engi n ee r ing  and  S cienc e .    Al l   rights re serv ed .   Corres pond in g  Aut h or :   Poon am  G ,    Dep a rtm ent o f C om pu te r  Scie nce a nd E ng i ne erin g,     Ra sh treey a  Vidyal ay a   Coll eg e of E ng i neer i ng ( R VCE) , B eng al uru, I nd ia .   Em a il :  po onam ghuli@r vce. ed u. in       1.   INTROD U CTION   In   t his  a ge  of  onli ne  a nd  s ocial   m edia,  ci nem as  re m ai n   a  prom inent  form   of   ente rtai nm ent  and  influ e nce  on  y ou t h.   India  pro du ce s  ap pro xi m at ely  800  to   1000  m ov ie s  a   ye ar,  le a ding  to  the  require m ent  of   disp la yi ng  the   warnin g  m es sage  w he n  th e  s m ok in g  sc ene  is  showca sed.   T he  wa r nings  as  of  now  a re   disp la ye d m anu al ly .    This  pro po se d  work  e xp la ins   the  de vel op m ent  of  a   f ram ewo r k  t o  a uto m atical ly   detect   the  sm ok ing  scenes   us i ng  ne ur al   netw ork   m od el   and  the n  disp la y  t he  r equ i red  wa r ning  m essage.  Th e  chall en ge   to  dete ct   the  sm ok ing  sc enes  in   vi deo  c li ps   is  that  onl y  the  sm all  po r ti on   of   t he  sm ok in g  e ven t  m ay   be  s howcase d  a nd  it   m ay   be  disp l ay ed  f or  f racti on  of  a  sec ond.  To   ove rco m e  this  chall e ng e ,   obj ect   detect ion  m et ho ds   a r e  us e d  to  detect   diff e ren t  ki nd   of   ci gar et te s .  T hes e  ci gar et te s  m ay   hav e  va ryi ng   s ha pes,   c olo rs  a nd   siz e.  The n  a   warnin g  m essage s uc h  as “ Sm ok i ng K il ls”   or “Sm ok ing i s i njurio us  to  h ea lt h”  is dis play ed  in  the  vide o  cl ip.   Goo gle’s  O bje ct   detect ion   AP I  is  bu il t  on   t op   of   Te ns orfl ow.  Th e re  are  di ff e re nt   pre - trai ne d  Tens orflo w  m od el s  avail a ble  fo r  ob j ect   detect ion   suc h  as  Sing le   Shot  Mult ibo x  Detect or   ( SS D)   with   Mob il eNet,  S S D  with  In ce ption   V 2,   Re gi on - Ba sed  F ully   Conv olu ti onal   N et work s  (R - FC N)   with  Re sn et   101,   Faste r  R - C NN  with  Re s net  101  a nd  Faste r  R - CN N   with   In c eptio n  Re s net  v2.   I n  our   pro posed   ap proa c h  Faste r  R - CN N   with  I ncep ti on  Re sn et   v2   i s  chosen .  Fast er  R - CN N  has   achieve d  m uch   bette r  s pee d  an d  accuracy.   F uture  m od el s  f ollow e d  var i ous  appr oach es   but   co uld   outpe rfor m   Faste r  R - CNN  by  a  sig nificant   m ar gin .  Faste r  R - CNN   m ay   n ot  be  t he  sim pl est   or   fastest   m et hod  f or  ob j ec t  detect ion ,  but  it   is  sti l l  on e  of  the   best  perform in g.   At  pr ese nt,  Faste r  R - C N N   with  I ncep ti on  Re s Net  m od el   of  Ten sorfl ow  is  the   slo w est   but   m os t acc ur at e  m od el .   Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Develo pm e nt  of  fram ew or k f or detec ti ng s m okin g  sce ne  i n vi deo  cli ps   ( Po onam  G )   23   2.   RELATE D  W ORKS   Re search  w ork   carrie d  out  in  [1 ]   e xp l oits  the   Re gion  P rop osa l  Netw ork  ( RPN)   of  the  F ast er  R - CN N  m od el   to  detect   ped est ria ns .   Even   t hough  R - CNN ’s  Re gion  Pro posal   Netw ork  (R PN )  perf or m s  well ,    the  res ults  ca n  be  de gr a de d  by   dow ns tream   cl assifi ers.   The   two  m ai n  reas on s   that  m ay   l ead  to   this  sit ua ti on   are:  handlin g  of   sm al l  instances  due  to  t he   insuffici ent  reso l ution   of   t he  featu res  a nd  the  m ining   of   hard  neg at ive  cases   is dif ficult  due  near ly   no prese nece if  bo otstr apin g  m et ho do log ie s t o  ac hieve  the  sam e.   Anothe r  rese ar ch  w ork  c ar ried  out  in  [ 2]  co ncen t rates  on  t he  dataset s' s  i m pact  on   dee p  le arn in g  a nd   the  ap plica ti on  an d  t he  im po rt ance o f   dee p  le arn i ng  thr ough   Faste r  R - CN N s.  T he  wor k  tri es  to  s umm ariz e  the   deep   le ar ning  al gorithm s  and   com m on   data  set s  us ed  in  t he   fie ld  of   c ompu te r  visio n.   A dd it io nally ,  the  stud y   bu il ds  a  ne wer  dataset   in   acc orda nce  to   the  pr e viously   ava il able  and  com m on ly   us ed  da ta set s.  Faste r  R - CN N   is t hen ap plied  ov e r  t his n e wl y bu il t datase t.     Applic at ion   of  the  faster  R - C NN   is  e xp l or e d  on  va rio us   be nch m ark s  on   wh ic h  the  al go rithm   has  a  pro ven  im pr oved  resu lt s  ra nging   from   obj e ct   detect ion  to   face  rec ogniti on  in  [ 3].  T he   w orke d  ca rr ie d  ou t   pro vid es  t he  re su lt s  of  trai ning  a  Faste r  R - CNN   m od el   on  t he  la r ge  scal e  face  dataset   WI DER  [ 4].  T he   w ork   al so   trie s  to  exp la in  t he  res ults  on   WIDE R  dataset   al ong  with  tw o  m or e  sta te   of   t he   art  and   wi de y  us ed  dataset s F DD B  and  IJB - A.     On li ne   ha ndw ritt en  gra ph ic s   m a y  con ta in   m at he m at ic a l  expressi on s   an d  diag ram s.  D et ect ion   of  these  sym bo ls  consi st  of  m et h od s   de sig ne d  f or   a   sin gle g ra ph ic   ty pe   [ 5].  I n  this w ork,  eva luati on  of  the  Faste r   R - CNN   obj ect   detect io n  al go rithm   as  a  ge ne ral  m et ho d  for  detect ion   of  sy m bo ls  in  ha ndwr it te n  gra phic s  is  carried   ou t.   Di ff e ren t  c onfi gurati on s   of  t he  Faste r  R - C N N   m e thod  are   e valuated ,   a nd  i ssu es   relat ive  t o  the   hand wr it te n  na ture  of  the   data  are   pointe d  ou t.   Co ns i der i ng  the   onli ne   recog niti on   c onte xt,   eval uation  of   eff ic ie ncy  an d  accuracy  trad e - offs  of   usi ng  Dee p  Ne ur a l  Network s  of  diff e ren t  com plexiti es  as  featur e   extracto rs  is c a rr ie d o ut.       3.   DEEP L EA R NING  MO DE LS FO R  OB JE CT D ET EC TION   Deep  Lear ning   is  a  pa rt  of  m achine  le a rn i ng  wh ic h  giv es  ou tst a nd i ng  pe rfor m ance  in  t he  im age  an d  vid e o  cl assifi cat ion   ta sk s .  In  d eep  le ar ning  t her e  a re  var i ou s  arch it ect ur e s  includi ng  r ecu r ren t  ne ural   netw ork s   and  dee p  ne ur a l  netw orks  w hich  hav e   m ajo r  app li cat io ns   in   the  fiel d  of   c om pu te r  visio n,   m achine  tra ns l at io n  and   natu ral  la ngua ge  proce s sing.  Dee p  ne ur al   net wor k  arch it ect ure  has   m ulti ple  hid de n  la ye rs  betw een  it s   input  and   ou t put  la ye rs  wh ic h  are  fee d   f orward.  Data  fro m   the  inp ut  la ye r  flows  to  th e  ou tp ut  la ye r  without  loopin g  bac k.   The  m ai n  app li cat ion   of  com pu te r  visio n  in vo l ves  ob j ect   detect ion   wh ic h  has  a  m ai n  fo cu s   on   researc h. The  progr e ss in  ob j e ct  d et ect ion i s  m ai nly becaus e of Co nvol ution al   Ne ur al   Ne tworks (CN N).    Object  detect ion  is im pr ov e d f ro m  sing le  ob je ct  to  m ult iple object  detect ion  in rece nt years. T he first   can  detect   a  sing le   ob j ect   in  an  i m age  wh ic h  can  be  us e d  for  cl assifi cat ion   ta s ks .  I n  th e  la te r  app r oac h  not  on ly   m ulti ple  obj ect s  in  a n  i m age  are  dete ct ed  but  al so   t heir  e xact  loc at ion   in  th e  im age  is  ind ic a te d  by  rectan gu la r  bo xes  or   m asks.  Mov i ng  obj ect  d et ect ion  h as be en  ex plore d  e xtensi vely   by  va rio us   aut hors  by  the  app ly in g  dif fe ren t  m et ho ds   [6 - 7]  an d  so   on.  But  m os t  of   the  pro p os e d  w orks  ha s  con si der e d  sta ti on a ry   ca m eras  or  a  sta ti on ary  bac kgr ound.  T he  CNN  a rc hitec ture  is   co ns ta nt ly   i m pr ov in g  from   ALexN et   [8 ] ,     the ZF Net   [9 ] ,  the  VGG Net   [10], the  ResN et  [ 11]  starti ng  from  the year 2012. A n o bj ect  d et ect ion al go rithm   was  f or m ed   ba sed  on  R - C N N  in  dee p  le a rn i ng   a nd   a  num ber   of   well - kn own  datase ts  are  consi de red   to   i m pr ove thes e  al gorithm s w it h  im pr ovem ent  in  the  acc ur ac y of detect io n.   Var i ou s   cha ng es  to  t he  netw ork   str ucture  ha s  im pr ov e d  t he   dee p  le ar ni ng  that  the  netw or k  us es.   T h e  m os t well - known  ser ie s  of al gorithm s f or obj ect   detect io n are  based o n  R - CN N wh ic h  i nclu de  the  foll ow i ng :     3.1     R - C N N ( Reg i on - Base d  Convoluti onal  N eur al  Net w orks)   Im ages  in  the  dataset   are  la be ll ed  or   t he  re gi on  o f  our  inter est   is  cro ppe d  ou t  f r om   the  i m age  and   t his   crop ped   reg i on  is  giv e n  as  input  to  the  c onvoluti on  neur al   network.  Wh en  t hey  are  gi ven   as  in put  to  the   netw ork,   a pp li cat ion   of  recta ngular  boundi ng  box  r eg ress or  is  pr ovi ded.  Fo r  th e  cl assifi cat ion   pur pose   SV M   is  us e d.   In  te r m s  of   both  s pa c e  an d  ti m e,  trai nin g  bec om es  ve ry  ex pe ns i ve.   The   ob j ect   detect ion  in  im ages  is  of te n  slo w  a nd  it  takes aroun d on e  m inu te  p er  i m age.     3.2     F as t  R - C NN   Fast  R - CN N  ta kes  the  c ha ra ct erist ic s  of   both  R - C N N  an d  SP P - Net.  Fa st  R - CNN  ta ke s  the  entire   i m age  and   fe at u re  m ap  is  create d  by  f orwardin g  it   to  the  conv olu ti onal   la ye r.   The n  re gi on   of   i nterest  is  f ou nd   by  RoI  po olin g  la ye r.   RoI  la ye r  is  a  sing le   SPP  la ye r  that  is  app li ed  on  top   of  co nvol ut ion al   la ye r  wh ic h  is  then  at ta ched   to  fu ll y  conne ct ed  la ye r.   Bou ndin g  bo x  re gr ess ors  an d  so ftm ax  cl assifier s  are  ap plied  for   cl assifi cat ion .  Ba sed  on  both   boun ding  box  re gr ess ors  a nd  s of tm ax  cl assifi ers,   m ulti task   l os s  is  c ompu t e d.     By   this,  the  la ye r  belo w  si ngle   SPP  la ye r  is  m ade  trai na ble  an d  the  pr ob le m   associat ed  with   SPP - Net  is  Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   2 2   –   2 6   24   so lve d.  It  high er  detect ion  qual it y  in  the   m ai n  i m pr ove m ent  done   ove r  R - C NN  a nd  SPP - Net.   He re   al l  the  la ye rs  can   be   updated   durin g  trai ning  pro cess  an d  it   do es  not  require   the  featu res  t o  be  st or e d  i n  a  disk .     The  Fa st  R - C NN  trai ning  ti m e  is  9  tim e s  faster  w he n  c om par ed  to  R - C NN  w hich  is   3  tim es  faster  th an  S PP - Net  an d  te sti ng  ti m e  req uire d  is  213  tim es  faster  t han  R - CNN  a nd  whe n  c om par ed  t o  SPP - Net  it   s   10  tim es   faster.  A l ong wit h  the  d ec rea se in trai ning ti m e, ther e is i nc rease in  the le ve l of acc uracy .      3.3     F as ter  R - CNN   Re gional  Pro posal   Net work  ta kes  im age  of  any  siz e  as  in pu t  a nd  outp ut   a  set   of   obj ec t  proposals   each  with  ob je ct ness  sc or e  [12 - 13] .  SPP - Net  an d  Fast  R - CNN  has  re du ce d  the  exe cution  ti m e  of   obj ect   detect ion  but  m or e  tim e  is  req ui red  f or  re gi on al   pro posal .   Faste r   R - CN N  s olv es   this  pro blem   by  us i ng  dee p  netw orks  for  tr aditi on al   pr act i ces  to  c om pu te   a  pro posal   box.   Faste r  R - CN N  c on sist s  of  two  m od ules.  F irst  is   the full y co nn e ct ed  co nvol ution al   netw ork  a nd the  seco nd i s Fast R - C NN  de te ct or.       4.   PROP OSE D MET HO DOL OGY   The follo wing  sect ion   giv es  t he deta il s o f  th e m e tho dol og y  u se d  i n  the  pr opos e d wor k.     4.1     Ex peri ment al Setup   The  detai ls  of  hard war e  c ho sen  f or  our   e xp e rim ent  are  show n  in  Ta ble  1.  Ex pe rim ental   set up   requires  f or  w hich  a  syst e m   with  m ini m u m   2  GB  of   N VIDIA  G PU   card,  CUD A  a nd   c uDN N  in sta ll ed.     The  m od el   us e s  the  A nacon da   Pyt hon  an d  the  pyth on  pac kag e s  inclu ding  Ten sorfl ow,  Op e nC v,   m at p lotl ib   and p a ndas.       Table  1.   Hard war e   Re quirem ents   Hardwar e co m p o n en ts   Co n f i g u ration   Proces so r   Proces so r  Sp eed   RAM size   OS   GPU   VRAM   Intel i5  72 0 0   2 .6 GHz   8  GB   W in d o ws 1 0   NVID IA  Ge Fo rce GTX 94 0 M   2  GB       4.2     D atase t   Hun dr e ds   of  im ages  are  require d  to  trai n  the  cl assifi er  fo r  good  det ect ion .  Vi deos   con ta inin g  sm ok ing  sce ne s ar e c ollec te d. These  vi deo s   con ta in  ciga rett es w it h diff e re nt sh a pe, si ze a nd co l or .  From  these  vid e os   5  f ram e s  are  extracte d  per   seco nd.  A ll   these   fr am es   are  conve rted  to  200  X  200  JPEG   im ages  wh ic h  form s  ou r  trai ning  dataset .  The  trai ni ng   da ta set   con ta ins   660  im ages.  The  ci ga rett es  in  the  i m ages  hav e   var ie ty   of   li ghti ng   co nd it io ns  and   bac kgr ound s .  Als o  ther e  are  i m ages  i n  w hich  ci gar e tt e  is   par ti al ly   seen .   Using  Labeli ng  too l,  the  loc at ion   of   ci ga re tt e  in  an  i m age  is  m ark ed  by  dr a wing  rectan gles.  The  locat ion   of   ci gar et te   is  stored   in  an  XML   file   wh ic h  co nt ai ns   inform at i on   a bout  i m age  heigh t,  width  and   the  co ordi nates  of   the  boundi ng  rectan gle  drawn .  Each  im age  siz e  is  le s s  than  10 0K B  since  the  tim e   required   for  trai ning   beco m es large   if the im age size is hi gh.      4.3     Tr ainin g   Trainin g  the  m od el   f or   detect ing   the  ci ga rett es  can  be  do ne   on   G oogle  cl oud  se rv ic es ,  CPU  or  GPU .   Durin g  trai ning,  f or   a  par t ic ul ar  tim e   interval  Tenso r flo w  stores  the  che ck po i nts.  Loss  is  repor te d  in  each  ste p  of  trai ni ng.  T he  lo ss  repo rted  by  the   m od el   is  a   com bin at ion  of  cl as sific at ion   l os s   an d  regressi on  lo ss.   Trainin g  t he  cl assifi er  is  sto pped  w hen   l os s  is  droppe d  to  0.0 4.   T he  la te st  checkp oin t  cre at ed  by  Te ns or flo w   at  a loss o f 0. 4 i s u se d for  detect ion  the  ciga r et te s.       5.   RESU LT S   The  m od el   ca n  input  in   3  different  form s:  i m age,  vi de o  or  a  li ve  we bca m   feed .  Th e  s yst e m   resu lt s  are  e valuate d  usi ng  im ages  an d  vid e os .   First   the  s yst em   was  eval uated  us i ng  differe nt  dataset s  with   di fferent  i m ages.  Datas et   1  co ntain  10  im ages  a m on g  w hich  5  im ages  hav e   ci ga rett es.  Dataset   2  c on ta in   20  i m ages  a m on g  w hich   10  im ages  ha ve  ci ga rett es.   Dataset   3  co ntain  30   im ages  am on g  wh i ch  15   im ages  ha ve   ci gar et te s.  Acc ur acy ,  se ns it iv it y  and   sp eci fici ty   are  the  pe rfor m ance  m easur e s  co ns id ered   t o  eval ua te   the  Evaluation Warning : The document was created with Spire.PDF for Python.
Ind on esi a n  J  E le c Eng &  Co m p  Sci     IS S N:  25 02 - 4752       Develo pm e nt  of  fram ew or k f or detec ti ng s m okin g  sce ne  i n vi deo  cli ps   ( Po onam  G )   25   m od el   with  th ese  dataset s.   T he  r esults  a re  sh ow n  in   Ta ble  2.  Since   data set s  2  a nd  3  c on ta in   im ages  wh e re   ci gar et te  is  part ia lly visible a nd also  due t o  i ll u m inati on  c ha ng e s in  the im age,  t he  acc ur a cy  is reduce d.       Table  2.  E val ua ti on   Re s ults   Datasets   Pe rf o r m an ce  m eas u res   Accurac y   Sen sitiv ity   Sp e cif icity   Dataset 1   90%   80%   100%   Dataset  2   75%   70%   80%   Dataset 3   76%   73%   80%       Nex t t he  m od el  is  evaluated  usi ng  a  v i deo   da ta set  that con ta in 10 vide os . T he  re su lt s ar e  di sp la ye d  i n  Table  3.  T he  prop os ed  app ro a ch gives  an ave rag e  accu racy  94.08 f or  t he v ideo data set  c onside red.       Table  3.  Res ult  A naly sis  of  Videos   Sl.  No .   Details o f  con f u sion  m atrix   Fra m e  size   Tr u e po sttiv es   Tr u e neg ativ es   False  p o sitiv es   False  n eg ativ es   Accurac y   (%)   Vid eo   1   244   210   24   6   4   9 5 .90   Vid eo   2   92   83   6   2   1   9 6 .74   Vid eo   3   303   276   16   3   8   9 6 .37   Vid eo   4   483   417   36   7   23   9 3 .79   Vid eo  5   351   278   39   12   22   9 0 .31   Vid eo  6   132   119   9   0   4   9 6 .97   Vid eo  7   567   401   77   19   10   8 4 .30   Vid eo  8   821   733   81   0   7   9 9 .14   Vid eo  9   573   423   99   8   43   9 1 .10   Vid eo 1 0   885   763   88   9   25   9 6 .16       Our  re su lt s  a re  com par e d  with  the  sm ok in g  eve nt  de te ct ion   rati o  histo gr am   m et hod  [ 13] .    The  c om par isi on is s how n  in   Table  4.       Table  4.  C om par isi on of  Re s ul ts     Dataset   Details o f  con f u sion  m atrix   Fra m e  size   Tr u e po sttiv es   False  p o sitiv es   False  n eg ativ es   Accurac y   (%)   Vid eo s co n sid ered  in  his to g ra m   m e th o d   2196   1824   30   120   9 3 .2   Ou r  v id eo  datas et   4451   4003   66   207   9 3 .87       The  resu lt s  pro ve  that  obj ect   detect ion   t hro ugh  faster   R - C NN   can  be  us e d  f or  detect io n  of  sm ok ing  scenes  by c ons iderin g  ci gar et t e as a n object.        6.   CONCL US I O N   The  res ults  show  that  propo sed  m et ho d  can  be  a dopted  for  dis play ing  warnin g  m ess ages  duri ng   sm o kin g  s cene s.  Our  pro pos ed  wor k  disp l ay s  warni ng  m essage  by  de te ct ing   ci ga rett es.  T his  wor k  can  be   exten ded  to  detect   s m ok in g  sc enes  wh ic h  do  no t  c on ta i n  a  c igarett e  but  ex haling  the  sm ok e.  In   I nd ia n  m ov ie s  and   te le visi on   sh ows ,  a  sim i l ar  ki nd   of   m essages  a re  dis play ed  duri ng   t he   even t  of   al c ohol  c onsu m ption   f or  this p rop os e d work ca n be e xt end e d.       REFERE NCE S   [1]   Zha ng,   Li l ia ng ,   et   a l.   “ Is  faste r  R - CNN   doing  w el l  for  p ede stri a n  det e ct ion ? ” .   E uropean  Confe renc e  on  Comput er   Vi sion.   Springer ,   Cham,  2016 ;  44 3 - 457 .   [2]   Zhou,   Xin y i,   W ei   Gong,  W enL ong  Fu,  Fengtong  Du.  “ Applic at io n  of  dee p  le arn i ng  in  obje ct   dete ct ion ”.   Compute r  and  Information Sci en ce ( ICIS) .   IEE E/ ACIS   16 th Inte rna ti ona l  Co nfe ren c e  on ,   I EEE.   2017 ;  631 - 63 4.   [3]   H.  Jiang  and  E.   L ea rn ed - Mill er.   “ Face   De tecti on  wi th  the   Faster  R - CNN ”.  2017  12th  IE EE   Int ernati ona l  Confe renc e  on   A utomati c   Face  &   Gesture  R ec ogn it ion  ( FG  2017) .   W ashingt on,   DC,  2017;   650 - 65 7.   Evaluation Warning : The document was created with Spire.PDF for Python.
                          IS S N :   2502 - 4752   Ind on esi a n  J  E le c Eng &  Co m p  Sci,   Vo l.   13 , N o.   1 ,  Ja nu a ry 20 19   :   2 2   –   2 6   26   [4]   S.  Yang, P. Luo, C.   C .   Lo y ,   and   X.  Ta ng .   “ W IDER  FA CE:   A f ace  de tecti on   ben c hm ark ”,   C VP R ,   2016 .   [5]   F.  D.  Jul ca - Agui l ar  and  N.   S.  T.  Hira ta,  “ S y m bol   Detect ion   in   Online  Handwrit t en   Graphi cs  Us ing   Faster  R - CNN ”,   2018  13th  I APR  Inte rnational   W orkshop on  Doc ument  Ana ly sis  Syste ms   ( DAS) ,   Vienna ,   Aus tri a ,   2018,   151 - 156.   [6]   Xu,  P.  “ Study   o n  Moving  Objec ts  b y   Video  Monitori ng  S y st em  of  Rec ognition  a nd  Tra ci ng  Sch e m e” .   Indon esian  Journal  of   Elec t rical   Engi ne erin g  and  Computer   Sci en ce ( IJE ECS ) .   2013;   11(9) ,   4 847 - 4854.   [7]   Mengxin  Li ,   Jin gji ng  Fan,   Ying   Zha ng,   Rui  Zh ang,   W ei ji ng  Xu ,   Dingding  Hou1.  “ Moving  Obj ec t  Det ec t ion  an d   Tra ck ing  Algo rithm ”.   Indone sian   Journal  of  El e ctr ic al  Engi n ee rin g  and  Computer  Sci en ce ( IJE ECS ) .   2013;  11(10),   5539  –   5544 .     [8]   A.  Krizh evsk y ,   I.   Suts keve r,   an d  G.  Hinton.   “ I m age Net  cl assifi ca t ion  with  deep  convol uti ona l  neur al   net works ”.  NIPS , 2012.   [9]   M.  D. Ze i le r   and   R.   Fe r gus.  “ Visualizing and  und ersta nding   conv olut ional  n eur al  net works ”. I n  E CCV ,   [10]   K.  Sim ony an  a nd  A.  Zi ss erman.   “ Ver y   deep  convol uti on al  net works   for  la rge - sc ale  ima ge  rec ogn it ion ” .     ICLR .   2015.   [11]   K.  He, X. Zha ng ,   S.   Ren, a nd   J.   Sun.  “ Dee p  residu al   le arn ing  for   i m age   re cogni t io n”.   C VPR ,   2016.   [12]   Ren,   Shaoq ing,   Kaiming  He,   R oss   Girshick,   Ji an  Sun.  “ Faster   R - CNN :  towar ds  rea l - ti m e  obj ec t   detec t ion  wi th   reg ion  proposa l   net works ” .   IE EE   transacti ons   on  pat te rn  an aly sis  and  mac hine   int e ll ig ence .   2017 ;  39   (  6),    1137 - 1149.   [13]   W u,   Pin,  Jun - We i  Hs ie h,   Jiun - C heng  Cheng,   Shy i - Ch y i  Ch eng,   Shau - Yin  Tseng.  “ Hu m an  s m oking  eve nt  detec tion   using  visual   intera c ti on  c lue s” .   20th  Inte rnati onal  Confe renc e  on  Pat t ern  R ec ogni ti on  ( ICPR )   IEE E ,   2010 ;     4344 - 4347.   Evaluation Warning : The document was created with Spire.PDF for Python.