Detekce objektů pro verifikaci algoritmů autonomního systému
Detecting Objects for Autonomous System Verification
Type of document
bakalářská prácebachelor thesis
Author
Jašek Otakar
Supervisor
Svoboda Tomáš
Opponent
Hurych David
Field of study
Informatika a počítačové vědyStudy program
Otevřená informatikaInstitutions assigning rank
katedra kybernetikyRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://www.cvut.cz/sites/default/files/content/d1dc93cd-5894-4521-b799-c7e715d3c59e/cs/20160901-metodicky-pokyn-c-12009-o-dodrzovani-etickych-principu-pri-priprave-vysokoskolskych.pdfVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://www.cvut.cz/sites/default/files/content/d1dc93cd-5894-4521-b799-c7e715d3c59e/cs/20160901-metodicky-pokyn-c-12009-o-dodrzovani-etickych-principu-pri-priprave-vysokoskolskych.pdf
Metadata
Show full item recordAbstract
V této práci jsme vytvořili framework pro jednoduché vyhodnocení a trénování konvolučních neuronových sítí typu Faster R-CNN. Přetrénovali jsme sítě architektur VGG16 a ZFNet jak na našich interních datech z datasetu obětí, tak i na standartním KITTI datasetu. Dále jsme ukázali, že architektura VGG16 je o mnoho vhodnější k přetrénování pomocí dat, které pocházejí z málo rozdílných trénovacích a testovacích domén. Vytvořený framework může do budoucna sloužit jako výchozí bod pro budoucí vylepšení architektur tohoto typu. In this thesis we created a framework for easy evaluation and training of Faster R-CNN type of networks. We fine-tuned VGG16 and ZFNet networks on our internal Victims dataset as well as standard KITTI dataset. We later showed that VGG16 architecture is far more suitable for fine-tuning on data from slightly different training and target domains. This framework can later serve as a baseline for further improvements in the field.
Collections
- Bakalářské práce - 13133 [706]