Adaptace centroid detektoru pro vícetřídní úlohy

Abstract

Tato diplomová práce demonstruje využitelnost centroid detektoru na úlohách vícetřídní detekce objektů. Teoretická část této práce se zaměřuje na základy digitálního obrazu, umělé neuronové sítě, techniky segmentace obrazu s ohledem na vícetřídní úlohy a techniky detekce objektů, obojí s využitím hlubokého učení. Praktická část se zaměřuje na adaptaci centroid detektoru na vícetřídní úlohy včetně návrhu techniky tréninku. Je zavedena nová metrika, střední lokalizační odchylka, umožňující nezkreslené vyhodnocení vícetřídního centroid detektoru. Nakonec je vícetřídní centroid detektor natrénován a vyhodnocen na třech datových sadách různé složitosti. Výsledky ukazují skvělou výkonnost centroid detektoru na vícetřídních úlohách. To je důležitým krokem k aplikaci centroid detektoru na složitější reálné úlohy.This master's thesis demonstrates the usability of the centroid detector for multiclass object detection tasks. The theoretical part of this thesis focuses on the fundamentals of digital image, artificial neural networks, state-of-the-art image segmentation techniques with regard to multiclass tasks, and object detection techniques, both using deep learning. The practical part focuses on adapting the centroid detector to multiclass tasks, including proposing a training technique. A novel metric, mean localization error, is introduced. This metric allows for unbiased evaluation of the multiclass centroid detector. Finally, the multiclass centroid detector is trained and evaluated on three datasets of varying complexities. The results show great performance of the centroid detector on multiclass tasks. This is an important step towards applying the centroid detector to more complex real-world problems.