Rozpoznání druhu vozidla v obraze
Loading...
Date
Authors
Čabala, Roman
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cieľom tejto bakalárskej práce je rozpoznať typ vozidla z obrazu pomocou neurónových sietí. Vozidlá sú rozdelené na šesť typov a to konkrétne - osobné auto, malá dodávka, dodávka, nákladné auto, kamión a autobus. Dátová sada bola vlastnoručne zozbieraná z videozáznamov, ktoré zaznamenávajú trajektóriu vozidiel. Následne bol zostrojený anotačný nástroj na anotovanie obrázkov. Na trénovanie sietí boli použité architektúry: VGG16, ResNet50, Xception, InceptionResNet-v2. Výsledkom práce je porovnanie architektúr. Všetky architektúry sa natrénovali a dosiahli výsledok nad 90%.
The goal of this bachelor thesis is to recognize the type of vehicle from the image using neural networks. Vehicles are divided into 6 types, namely a car, a small van, a van, a mini truck, a truck and a bus. The data set was picked from videos that record the trajectory of the vehicles. Subsequently, an image annotation tool was built. The following architectures were used for network training: VGG16, ResNet50, Xception, InceptionResNet-v2. The result of the work is a comparison of architectures. All architectures were trained and achieved a result above 90%.
The goal of this bachelor thesis is to recognize the type of vehicle from the image using neural networks. Vehicles are divided into 6 types, namely a car, a small van, a van, a mini truck, a truck and a bus. The data set was picked from videos that record the trajectory of the vehicles. Subsequently, an image annotation tool was built. The following architectures were used for network training: VGG16, ResNet50, Xception, InceptionResNet-v2. The result of the work is a comparison of architectures. All architectures were trained and achieved a result above 90%.
Description
Citation
ČABALA, R. Rozpoznání druhu vozidla v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.
Document type
Document version
Date of access to the full text
Language of document
sk
Study field
Informační technologie
Comittee
prof. Ing. Adam Herout, Ph.D. (předseda)
doc. Ing. Martin Čadík, Ph.D. (místopředseda)
doc. Ing. Michal Bidlo, Ph.D. (člen)
Ing. Matěj Grégr, Ph.D. (člen)
Ing. Radek Kočí, Ph.D. (člen)
Date of acceptance
2020-07-09
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm C. Otázky u obhajoby: - Nejlepší architektura dosahuje chybovosti ~5%. Existují způsoby, jak chybu dále snižovat? - Dala by se odhadnout chybovost anotací vytvořeného datasetu? Vhled by mohly poskytnout například konkrétní příklady chybné klasifikace navržené metody.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení