Original title:
Počítání vozidel ve statickém obraze
Translated title:
Vehicle Counting in Still Image
Authors:
Jelínek, Zdeněk ; Juránek, Roman (referee) ; Špaňhel, Jakub (advisor) Document type: Bachelor's theses
Year:
2020
Language:
cze Publisher:
Vysoké učení technické v Brně. Fakulta informačních technologií Abstract:
[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.
Keywords:
convolutional neural networks; Counting CNN; density estimation; density map; Hydra CNN; Multi-column CNN; Perspective-Aware CNN; vehicle counting; Counting CNN; Hydra CNN; konvoluční neuronové sítě; mapa hustoty; Multi-column CNN; odhad hustoty; Perspective-Aware CNN; počítání vozidel
Institution: Brno University of Technology
(web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library. Original record: http://hdl.handle.net/11012/191687