Název:
Počítání vozidel ve statickém obraze
Překlad názvu:
Vehicle Counting in Still Image
Autoři:
Vágner, Filip ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce) Typ dokumentu: Bakalářské práce
Rok:
2022
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze][eng]
Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95.
The goal of this work is to compare models of convolutional neural networks designed to count vehicles in a static image using density estimation with a focus on different sizes of objects in the scene. A total of four models were evaluated - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network and CASA-Crowd. The evaluation was done on three data sets - TRANCOS, CARPK, PUCPR+. Scale Pyramid Network achieved the best results. The model reached 5.44 in the Mean Absolute Error metric and 9.95 in the GAME(3) metric on TRANCOS dataset.
Klíčová slova:
CASA-Crowd; konvoluční neuronové sítě; mapa hustoty; Multi-scale fusion network; odhad hustoty; počítání vozidel; Scale Pyramid Network; Scale-adaptive CNN; CASA-Crowd; convolutional neural networks; density estimation; density map; Multi-scale fusion network; Scale Pyramid Network; Scale-adaptive CNN; vehicle counting
Instituce: Vysoké učení technické v Brně
(web)
Informace o dostupnosti dokumentu:
Plný text je dostupný v Digitální knihovně VUT. Původní záznam: http://hdl.handle.net/11012/207362