Počítání vozidel ve statickém obraze

Cílem této práce je porovnání modelů konvolučních neuronových sítí, které využívají princip počítání pomocí odhadu hustoty pro úkol počítání vozidel ve statickém obraze. Celkem byly testovány tyto modely -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Jejich schopnost odhadu byla testována na datasetech -- TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Multi-Scale Fusion Net. Jeho přesnost odhadu na datasetu TRANCOS v metrice Mean Absolut Error dosáhla hodnoty 8.05.
The goal of this thesis is to compare different models of convolutional neural networks, which use the principle of using density estimation to count the number of vehicles in a still image. The tested models were -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Their estimation capability was tested using these datasets -- TRANCOS, CARPK, PUCPR+. The most accurate results were achieved by the Multi-Scale Fusion Net model. Its estimation accuracy using the dataset TRANCOS in the Mean Absolute Error metric achieved value of 8.05.

Keywords

počítaní vozidel, odhad hustoty, konvoluční neuronové sítě, Counting CNN, Scale-adaptive CNN, Multi-scale Fusion Network, Multi-scale CNN, vehicle counting, density estimation, convolutional neural networks, Counting CNN, Scale-adaptive CNN, Multi-scale Fusion Network, Multi-scale CNN

Citation

HLADIŠ, M. Počítání vozidel ve statickém obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.

Language of document

cs

Study field

Informační technologie

Comittee

prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) prof. Ing. Jan M. Honzík, CSc. (místopředseda) doc. Ing. Jiří Jaroš, Ph.D. (člen) Ing. Filip Orság, Ph.D. (člen) doc. Ing. Michal Španěl, Ph.D. (člen)

Date of acceptance

2021-08-25

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 B. Otázky u obhajoby: Proč je na výstupu sítí lineární aktivace, když se očekávají pozitivní výstupní hodnoty? Jaká aktivační funkce by byla vhodnější? Jak z vašich výsledných obrázků lze poznat, jestli je výsledek dobrý nebo špatný? Proč jste batch normalizaci nepoužil u všech sítí? Metriky, které uvádíte se vztahují na počet vozidel nebo na pixely? Je metrika s počtem vozidel zvolena úplně šťastně?

Result of defence

práce byla úspěšně obhájena

Document licence

Standardní licenční smlouva - přístup k plnému textu bez omezení