Název:
Počítání vozidel ve statickém obraze
Překlad názvu:
Vehicle Counting in Still Image
Autoři:
Jelínek, Zdeněk ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce) Typ dokumentu: Bakalářské práce
Rok:
2020
Jazyk:
cze
Nakladatel: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstrakt: [cze][eng]
Hlavním cílem této práce bylo porovnání různých moderních přístupů k počítání vozidel pomocí odhadu hustoty. Celkem byly porovnány čtyři modely konvolučních neuronových sítí - Counting CNN, Hydra CNN, Perspective-Aware CNN a Multi-column CNN. Vyhodnocení natrénovaných modelů bylo provedeno na třech různých datasetech. Nejpřesnějších výsledků na všech datasetech dosáhl model Perspective-Aware CNN. Na datasetu PUCPR+ dosáhl hodnoty Mean Absolute Error 2,86, čímž prokázal, že jeho použití u problému počítání vozidel je vhodné.
The main goal of this thesis was to compare different approaches to vehicle counting by density estimation. Four convolutional neural networks were tested - Counting CNN, Hydra CNN, Perspective-Aware CNN and Multi-column CNN. The evaluation of these models was done on three different datasets. The Perspective-aware CNN has achieved the most accurate results across all datasets. This model has reached 2.86 Mean Absolute Error on the PUCPR+ dataset, proving that it is the most suitable for the vehicle counting problem.
Klíčová slova:
Counting CNN; Hydra CNN; konvoluční neuronové sítě; mapa hustoty; Multi-column CNN; odhad hustoty; Perspective-Aware CNN; počítání vozidel; convolutional neural networks; Counting CNN; density estimation; density map; Hydra CNN; Multi-column CNN; Perspective-Aware 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/11012/191687