Počítání vozidel ve statickém obraze

Abstract

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.