Detekce a sledování objektů pomocí konvolučních neuronových-sítí v dopravních scénách
Object detection and tracking by convolutional neural-networks in traffic scenes
Typ dokumentu
diplomová prácemaster thesis
Autor
Filip Langr
Vedoucí práce
Krček Jan
Oponent práce
Reinštein Michal
Studijní obor
Umělá inteligenceStudijní program
Otevřená informatikaInstituce přidělující hodnost
katedra počítačůPráva
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://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská 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://knihovny.cvut.cz/vychova/vskp.html
Metadata
Zobrazit celý záznamAbstrakt
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.
Kolekce
- Diplomové práce - 13136 [892]