Detekce a sledování objektů pomocí konvolučních neuronových-sítí v dopravních scénách

Abstract

S rozmachem hlubokého učení se sledování uživatelů vozovek z dopravních kamer dostává na výsluní. Tato práce přispívá k tomuto tématu dvěma částmi. Zaprvé, implementujeme rozhraní pro hluboké neuronové sítě, s jehož pomocí úspešně natrénujeme model pro rozpoznávání objektů. Zadruhé, navrhujeme a implementujeme pět metod pro sledování mnoha objektů ve videu, z nichž některé jsou postaveny s využitím natrénovaného modelu z první části. Dále vyhodnocujeme a porovnáváme vlastnosti metod na dvou datasetech, včetně UA-DETRAC. Naše výsledky dokládají potenciál sledovacích metod využívajících hluboké rozpoznávací modely.

With the advance of deep learning, road users tracking from traffic video scenes has recently got to spotlight. This thesis contributes to the topic in two ways. First, we implement a deep neural network framework which we use to successfully train an object re-identification model. Second, we propose and implement five video multi-object trackers, some of which are built on the trained appearance model from the first part. We evaluate and compare trackers' quality on two datasets, including UA-DETRAC. Our results show the performance potential of deep re-identification-based trackers.