|
|
Counting Crates in Images
Mičulek, Petr ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This thesis deals with the topic of using deep learning to count crates in images. I have designed a crate-counting solution for blocks of matchboxes, using a fully convolutional classification-based network with a high resolution output. The original project proposition counted on using a dataset of photos of crates from a beer brewery warehouse. I did not get access to the dataset in the end. On the recommendation of my supervisor, I based the crate-counting solution on a custom dataset of matchbox photos. The CNN is trained using image patches, leading to a fast solution working even on smaller datasets. Matchbox keypoints are detected by the CNN in the input images and they are processed by a keypoint estimation and crate-counting algorithm to produce the final crate count. On validation data, the solution has a 12.5% failure rate and a MAE of 11.14. Thorough experimentation was performed to evaluate the solution and the results verify that this approach can be used for object counting.
|
|
|
Určení obsazenosti parkoviště z obrazu
Dubovec, Pavol ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Pri zisťovaní počtu vozidiel na obrázkoch parkovísk, ktoré nemajú vhodné parametre potrebné na spracovanie, môže byť problém spočítania vozidiel dosť komplexným. Cieľom tejto práce je vytvoriť aplikáciu, ktorá zistí počet vozidiel na zvolenej fotografii, bez ohľadu na to aký pohľad na parkovisko bol zvolený. Takéto zisťovanie bude prebiehať pomocou strojového učenia, na základe modelu, vytvoreného trénovaním na trénovacích dátach, ktoré pozostávajú z fotografii parkovísk z rôznych pohľadov a pozícií. Problém bol riešený nekonvenčným spôsobom, a to tak, že sa obrázky s parkoviskom rozdelia na niekoľko záujmových oblastí (zón) a z týchto oblastí sa vytvoria výrezy, pomocou vytvorenej aplikácie špecializovanej na túto úlohu. Následne prebehne anotácia obrázkov vytvorených týmto spôsobom, pomocou vytvorenej hodnotiacej aplikácie. Obrázky sa následne naformátujú na rovnakú veľkosť. Tieto pripravené výrezy sú následne predané API Keras, pomocou ktorého prebieha trénovanie modelu. Cieľom bolo vytvoriť model, ktorý by bol dostatočne univerzálny natoľko, aby vedel určiť počet vozidiel na fotografii v akomkoľvek prostredí (čas, počasie, poveternostné podmienky) a v čo najkratšom čase. V súčasnosti model dokáže predikovať správny počet vozidiel na výrezu na testovacích dátach s presnosťou 87% a s pripustením chyby prvého rádu na 95%. Táto práca sa cielene zameriava na riešenie tohto problému v reálnom čase. Jedná sa klasifikáciu do 7 tried (0-6 vozidiel). Toto riešenie by mohlo byť zaujímavé hlavne pre statické kamery na netypických miestach (napr. bočný pohľad), prípadne je pre ne dôležité snímanie určitých oblastí.
|
|
|
Counting Crates in Images
Mičulek, Petr ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This thesis deals with the topic of using deep learning to count crates in images. I have designed a crate-counting solution for blocks of matchboxes, using a fully convolutional classification-based network with a high resolution output. The original project proposition counted on using a dataset of photos of crates from a beer brewery warehouse. I did not get access to the dataset in the end. On the recommendation of my supervisor, I based the crate-counting solution on a custom dataset of matchbox photos. The CNN is trained using image patches, leading to a fast solution working even on smaller datasets. Matchbox keypoints are detected by the CNN in the input images and they are processed by a keypoint estimation and crate-counting algorithm to produce the final crate count. On validation data, the solution has a 12.5% failure rate and a MAE of 11.14. Thorough experimentation was performed to evaluate the solution and the results verify that this approach can be used for object counting.
|
|
|
Určení obsazenosti parkoviště z obrazu
Dubovec, Pavol ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Pri zisťovaní počtu vozidiel na obrázkoch parkovísk, ktoré nemajú vhodné parametre potrebné na spracovanie, môže byť problém spočítania vozidiel dosť komplexným. Cieľom tejto práce je vytvoriť aplikáciu, ktorá zistí počet vozidiel na zvolenej fotografii, bez ohľadu na to aký pohľad na parkovisko bol zvolený. Takéto zisťovanie bude prebiehať pomocou strojového učenia, na základe modelu, vytvoreného trénovaním na trénovacích dátach, ktoré pozostávajú z fotografii parkovísk z rôznych pohľadov a pozícií. Problém bol riešený nekonvenčným spôsobom, a to tak, že sa obrázky s parkoviskom rozdelia na niekoľko záujmových oblastí (zón) a z týchto oblastí sa vytvoria výrezy, pomocou vytvorenej aplikácie špecializovanej na túto úlohu. Následne prebehne anotácia obrázkov vytvorených týmto spôsobom, pomocou vytvorenej hodnotiacej aplikácie. Obrázky sa následne naformátujú na rovnakú veľkosť. Tieto pripravené výrezy sú následne predané API Keras, pomocou ktorého prebieha trénovanie modelu. Cieľom bolo vytvoriť model, ktorý by bol dostatočne univerzálny natoľko, aby vedel určiť počet vozidiel na fotografii v akomkoľvek prostredí (čas, počasie, poveternostné podmienky) a v čo najkratšom čase. V súčasnosti model dokáže predikovať správny počet vozidiel na výrezu na testovacích dátach s presnosťou 87% a s pripustením chyby prvého rádu na 95%. Táto práca sa cielene zameriava na riešenie tohto problému v reálnom čase. Jedná sa klasifikáciu do 7 tried (0-6 vozidiel). Toto riešenie by mohlo byť zaujímavé hlavne pre statické kamery na netypických miestach (napr. bočný pohľad), prípadne je pre ne dôležité snímanie určitých oblastí.
|
host ::
RSS.