|
|
Počítání vozidel ve statickém obraze
Vágner, Filip ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
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.
|
|
|
Počítání vozidel ve statickém obraze
Jelínek, Zdeněk ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
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.
|
|
|
Counting Vehicles in Image and Video
Gabzdyl, Dominik ; Herout, Adam (oponent) ; Špaňhel, Jakub (vedoucí práce)
Traffic analysis is still a challenging task. During such task there are many pitfalls to be aware of. Such as small image resolution, high number of overlapping objects, angle of camera, blurred objects due to their motion or weather conditions. This thesis addresses these issues by using the convolutional neural network approach. In this thesis I propose a new architecture which adheres to Counting by Regression principle. The proposed architecture is inspired by some state-of-the-art architectures and improves accuracy on various datasets. For instance on the very small PUCPR+ dataset the Root Mean Square Error between expected and predicted vehicle counts was reduced from 34.46 to 6.99 vehicles (measured on the test set). Results achieved showed that there is still space for improvements and a possible further research in Counting by Regression principle.
|
|
|
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.
|
|
|
Počítání vozidel ve statickém obraze
Hladiš, Martin ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnání modelů konvolučních neuronových sítí, které využívají princip počítání pomocí odhadu hustoty pro úkol počítání vozidel ve statickém obraze. Celkem byly testovány tyto modely -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Jejich schopnost odhadu byla testována na datasetech -- TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Multi-Scale Fusion Net. Jeho přesnost odhadu na datasetu TRANCOS v metrice Mean Absolut Error dosáhla hodnoty 8.05.
|
|
|
Detekce automobilů v obraze
Pálka, Zbyněk ; Přinosil, Jiří (oponent) ; Krajsa, Ondřej (vedoucí práce)
Tato práce pojednává o sledování provozu v dopravních komunikacích. Jsou zde rozebrány různé metody extrakce pozadí a čtyři metody detekce vozidel. Dále je zde popsána metoda počítání vozidel. Všechny metody byly realizovány v programovém prostředí Matlab, pro které bylo vytvořeno grafické uživatelské rozhraní. Jedna celá kapitola je věnována postupu při praktickém návrhu programu. Metody jsou porovnávány na sadě testovacích videí. Výsledkem jsou podrobné statistické údaje pojednávající o efektivnosti jednotlivých metod.
|
|
|
Počítání vozidel ve statickém obraze
Vágner, Filip ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
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.
|
|
|
Počítání vozidel ve statickém obraze
Hladiš, Martin ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnání modelů konvolučních neuronových sítí, které využívají princip počítání pomocí odhadu hustoty pro úkol počítání vozidel ve statickém obraze. Celkem byly testovány tyto modely -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Jejich schopnost odhadu byla testována na datasetech -- TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Multi-Scale Fusion Net. Jeho přesnost odhadu na datasetu TRANCOS v metrice Mean Absolut Error dosáhla hodnoty 8.05.
|
|
|
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.
|
|
|
Počítání vozidel ve statickém obraze
Jelínek, Zdeněk ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
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.
|
host ::
RSS.