Rozpoznání výrobce a modelu vozidel
Loading...
Date
Authors
Gregor, Adam
ORCID
Advisor
Referee
Mark
C
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
V praktické části diplomové práce byla realizována úloha ozpoznání výrobce a modelu vozidla (VMMR). V první části byla pro účely strojového učení sestavena datová sada vozidel sestávající se z obrázků z Internetu. Takto bylo získáno přes 6 milionů obrázků aut, autobusů, motorek a dodávek, použitelných pro úlohu VMMR. Dále byla v rámci ex- perimentů na část datové sady použita standardní klasifikace, kdy na enkodér navazuje klasifikační vrstva realizovaná použitím neuronové sítě, a přístup, kdy za pomocí metody supervised contrastive learning byly embeddingy z enkodérů shlukovány za účelem snazší klasifikace. Jelikož první uvedený přístup vracel přesnější výsledky, byl použit v dalších experimentech. V nich se použilo větší množství obrázků z naší datové sady k natrénování klasifikátoru pro VMMR. Další klasifikátory byly natrénovány na datových sadách Stan- ford Cars a Comprehensive cars. Posléze bylo při porovnávání funkčnosti klasifikátorů na různých datových sadách shledáno, že klasifikátor trénovaný na naší datové sadě si vedl nejlépe.
In the practical part of the diploma thesis, the task of identifying the manufacturer and model of a vehicle (VMMR) was implemented. In the first part, a dataset of vehicles was compiled for machine learning purposes that consists of images from the Internet. This resulted in over 6 million images of cars, buses, motorbikes and trucks usable for the VMMR task. Next, as part of the experiments, a standard classification was used on a part of the dataset, when the encoder is followed by a classification layer implemented using a neural network. Also an approach with a supervised contrastive learning method, clustering embeddings from encoder for easier classification, was used. Since the first mentioned approach returned more accurate results, it was used in the further experiments. There, a larger portion of images from our dataset was used for training a classifier for the VMMR task. Other classifiers were trained on the Stanford Cars and Comprehensive cars datasets. Lastly, when comparing the functionality of the classifiers on different datasets we have found that the classifier trained on our dataset performed the best.
In the practical part of the diploma thesis, the task of identifying the manufacturer and model of a vehicle (VMMR) was implemented. In the first part, a dataset of vehicles was compiled for machine learning purposes that consists of images from the Internet. This resulted in over 6 million images of cars, buses, motorbikes and trucks usable for the VMMR task. Next, as part of the experiments, a standard classification was used on a part of the dataset, when the encoder is followed by a classification layer implemented using a neural network. Also an approach with a supervised contrastive learning method, clustering embeddings from encoder for easier classification, was used. Since the first mentioned approach returned more accurate results, it was used in the further experiments. There, a larger portion of images from our dataset was used for training a classifier for the VMMR task. Other classifiers were trained on the Stanford Cars and Comprehensive cars datasets. Lastly, when comparing the functionality of the classifiers on different datasets we have found that the classifier trained on our dataset performed the best.
Description
Citation
GREGOR, A. Rozpoznání výrobce a modelu vozidel [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2023.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Počítačové vidění
Comittee
prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda)
doc. Ing. Martin Čadík, Ph.D. (člen)
Ing. Zbyněk Křivka, Ph.D. (člen)
doc. Ing. Vítězslav Beran, Ph.D. (člen)
doc. Ing. Peter Chudý, Ph.D., MBA (člen)
Ing. David Bařina, Ph.D. (člen)
Date of acceptance
2023-06-20
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.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení