but.committee	prof. Ing. Adam Herout, Ph.D. (předseda) prof. Dr. Ing. Pavel Zemčík, dr. h. c. (místopředseda) Ing. David Bařina, Ph.D. (člen) doc. Ing. Vítězslav Beran, Ph.D. (člen) Ing. František Grézl, Ph.D. (člen) Ing. Zbyněk Křivka, Ph.D. (člen)	cs
but.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 A. Otázky u obhajoby: Stacked HG model má na celkovém datasetu podezřele špatné výsledky. Tento model se v mnoha aplikacích jeví jako velmi přesný s ohledem na lokalizaci různých typů objektů / keypointů atd. S jakým nastavením (learning rate, optimize, loss) byl tento model trénován? SSDCNet ve vašich výsledcích má výborné hodnoty GAME(3) na celkovém datasetu, i když ve výsledných mapách jsou některé pozice nevýrazné. Jak přesně se počítá metrika GAME pro ground truth / výstup z SSDCNet?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	en
dc.contributor.author	Zemánek, Ondřej	en
dc.contributor.referee	Špaňhel, Jakub	en
dc.date.created	2020	cs
dc.description.abstract	Tato práce se zaměřuje na problém počítání vozidel v statickém obraze bez znalosti geometrických vlastností scény. V rámci řešení bylo implementováno a natrénováno 5 architektur konvolučních neuronových sítí. Také byl pořízen rozsáhlý dataset s 19 310 snímky pořízených z 12pohledů a zachycujících 7 různých scén. Použité konvoluční sítě mapují vstupní vzorek na mapu hustoty vozidel, ze které lze získat jejich počet a lokalizaci v kontextu vstupního snímku. Hlavním přínosem této práce je porovnání a aplikace dosavadních nejlepších řešení pro počítání objektů v obraze. Většina z těchto architektur byla navržena pro počítání lidí v obraze, proto musely být uzpůsobeny pro potřeby počítání vozidel v statickém obraze. Natrénované modely jsou vyhodnoceny GAME metrikou na TRANCOS datasetu a na velkém spojeném datasetu. Dosažené výsledky všech modelů jsou následně popsány a porovnány.	en
dc.description.abstract	This work addresses the problem of counting vehicles in static images with no geometric information of the scene. Five convolutional neural network architectures were studied, implemented and trained as the main part of this work. Also, a dataset that consists of 19 310 images from 12 views that captures 7 different scenes were taken as part of this work. The trained networks map the appearance of the input sample to its corresponding vehicles density map, which can be easily translated to the vehicle count with keeping the localization of the vehicles in the input image. The main contribution of this work is in an application and a comparison of the state-of-the-art solutions to the problem of object counting. Most of them were mainly designed to count pedestrians in crowded scenes or for medicine images, so the major goal was to adapt these solutions for vehicle counting task. The implemented models were evaluated on TRANCOS dataset and large custom dataset with the GAME metric. Their performance is compared and the results are discussed.	cs
dc.description.mark	A	cs
dc.identifier.citation	ZEMÁNEK, O. Počítání vozidel v statickém obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129258	cs
dc.identifier.uri	http://hdl.handle.net/11012/192440
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	počítání objektů odhadem mapy hustoty	en
dc.subject	vlastní dataset vozidel	en
dc.subject	konvoluční sítě	en
dc.subject	detekce význačných bodů	en
dc.subject	GAME metrika	en
dc.subject	objects counting by estimating a density map	cs
dc.subject	custom carpark dataset	cs
dc.subject	convolutional network	cs
dc.subject	deep learning	cs
dc.subject	landmarks localization	cs
dc.subject	GAME metric	cs
dc.title	Počítání vozidel v statickém obraze	en
dc.title.alternative	Counting Vehicles in Static Images	cs
dc.type	Text	cs
dc.type.driver	masterThesis	en
dc.type.evskp	diplomová práce	cs
dcterms.dateAccepted	2020-07-14	cs
dcterms.modified	2020-07-17-14:40:14	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129258	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.26 15:30:49	en
sync.item.modts	2025.01.17 15:03:47	en
thesis.discipline	Počítačová grafika a multimédia	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Inženýrský	cs
thesis.name	Ing.	cs

Počítání vozidel v statickém obraze

Files

Original bundle

Collections