Název:
Detekce a klasifikace dopravních prostředků v obraze pomocí hlubokých neuronových sítí
Překlad názvu:
Detection and Classification of Road Users in Aerial Imagery Based on Deep Neural Networks
Autoři:
Hlavoň, David ; Hradiš, Michal (oponent) ; Rozman, Jaroslav (vedoucí práce) Typ dokumentu: Diplomové práce
Rok:
2018
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze][eng]
Práce se zaobírá problematikou neuronových sítí z pohledu úlohy detekce dopravních prostředků v obraze, který byl pořízen z dronu. Jelikož je cílem vytvořit prakticky použitelný detektor, práce jako první popisuje datovou sadu. Dále práce rozebírá několik architektur dopředných neuronových sítí, které byly následně použity při realizaci detektoru. Na architektury neuronových sítí navazují metody tvorby detektoru pomocí naivních metod a současně nejúspěšnějších meta architektur. V druhé části se práce zabývá praktickou realizací detektoru. Výsledkem práce je detektor postavený na meta architektuře Faster R-CNN a neuronové sítí PVA s úspěšností detekce přes 90 % a rychlostí 45 full HD snímků za sekundu.
This master's thesis deals with a vehicle detector based on the convolutional neural network and scene captured by drone. Dataset is described at the beginning, because the main aim of this thesis is to create practicly usable detector. Architectures of the forward neural networks which detector was created from are described in the next chapter. Techniques for building a detector based on the naive methods and current the most successful meta architectures follow the neural network architectures. An implementation of the detector is described in the second part of this thesis. The final detector was built on meta architecture Faster R-CNN and PVA neural network on which the detector achieved score over 90 % and 45 full HD frames per seconds.
Klíčová slova:
auto; Caffe; detektor; doprava; dopravní prostředek; faster R-CNN; Neuronové sítě; NVIDIA; TensorRT; Caffe; car; detector; faster R-CNN; Neural nets; NVIDIA; TensorRT; traffic; vehicle
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/11012/84997