|
|
Counting Crates in Images
Mičulek, Petr ; Špaňhel, Jakub (referee) ; Herout, Adam (advisor)
V této práci se zabývám tématem počítání beden v obrazových datech pomocí technik hlubokého učení. V práci jsem navrhl řešení pro počítání beden, které představuji na fotkách krabiček sirek. Ačkoli původní řešení počítalo s využitím datové sady beden ze skladu pivovaru, sada nakonec nebyla dodána a na doporučení vedoucího práce byly pro řešení vybrány bloky krabiček sirek. Implementované řešení využívá plně konvoluční neuronovou síť založenou na klasifikaci, umožňující výstup ve vysokém rozlišení. Tato síť je trénována na výřezech fotek z datové sady, díky čemuž je řešení rychlé a síť je vhodná i pro použití na menších datových sadách. Síť detekuje ve fotkách klíčové body krabiček sirek, které jsou následně zpracovány algoritmem pro odhad klíčových bodů z predikce sítě a výpočet finálního počtu beden. Na validačním datasetu dosahuje řešení následujících výsledků: ve 12,5 % případů predikce selže a ve zbylých případech má průměrnou absolutní odchylku (MAE) 11,14. Pomocí rozsáhlých experimentů bylo řešení vyhodnoceno a výsledky potvrzují, že tento přístup může být použit pro počítání objektů.
|
|
|
Occupancy Estimation of a Parking Lot from Images
Dubovec, Pavol ; Špaňhel, Jakub (referee) ; Herout, Adam (advisor)
When determining the number of vehicles in the pictures of carparks that do not have the appropriate parameters needed for processing, the problem of vehicle counting can be quite complex. The aim of this work is to create an application that detects the number of vehicles in the selected photo, regardless of selected carpark view. This detection will be performed using machine learning, based on a model, created by training on trained data, which consists of photographs of parking lots from different perspectives and positions. The problem was solved in an unconventional way, by splitting the pictures with the parking lot into several areas of interest (zones) and creating anotations from these areas, using the created application specialized for this task. The images are then formatted to the same size. These prepared cutouts are then loaded to the Keras API, which is used to train the model. The aim was to create a model that would be versatile enough to determine the number of vehicles in a photograph in any environment (time, weather, weather conditions) and in the shortest possible time. Currently, the model can predict the correct number of vehicles in the cutout on test data with an accuracy of 87% and with a first order error of 95%. This work focuses on solving this problem in real time. It is a classification into 7 classes (0-6 vehicles). This solution could be interesting especially for static cameras in atypical places (eg side view), or it is important for them to capture certain areas.
|
|
|
Counting Crates in Images
Mičulek, Petr ; Špaňhel, Jakub (referee) ; Herout, Adam (advisor)
V této práci se zabývám tématem počítání beden v obrazových datech pomocí technik hlubokého učení. V práci jsem navrhl řešení pro počítání beden, které představuji na fotkách krabiček sirek. Ačkoli původní řešení počítalo s využitím datové sady beden ze skladu pivovaru, sada nakonec nebyla dodána a na doporučení vedoucího práce byly pro řešení vybrány bloky krabiček sirek. Implementované řešení využívá plně konvoluční neuronovou síť založenou na klasifikaci, umožňující výstup ve vysokém rozlišení. Tato síť je trénována na výřezech fotek z datové sady, díky čemuž je řešení rychlé a síť je vhodná i pro použití na menších datových sadách. Síť detekuje ve fotkách klíčové body krabiček sirek, které jsou následně zpracovány algoritmem pro odhad klíčových bodů z predikce sítě a výpočet finálního počtu beden. Na validačním datasetu dosahuje řešení následujících výsledků: ve 12,5 % případů predikce selže a ve zbylých případech má průměrnou absolutní odchylku (MAE) 11,14. Pomocí rozsáhlých experimentů bylo řešení vyhodnoceno a výsledky potvrzují, že tento přístup může být použit pro počítání objektů.
|
|
|
Occupancy Estimation of a Parking Lot from Images
Dubovec, Pavol ; Špaňhel, Jakub (referee) ; Herout, Adam (advisor)
When determining the number of vehicles in the pictures of carparks that do not have the appropriate parameters needed for processing, the problem of vehicle counting can be quite complex. The aim of this work is to create an application that detects the number of vehicles in the selected photo, regardless of selected carpark view. This detection will be performed using machine learning, based on a model, created by training on trained data, which consists of photographs of parking lots from different perspectives and positions. The problem was solved in an unconventional way, by splitting the pictures with the parking lot into several areas of interest (zones) and creating anotations from these areas, using the created application specialized for this task. The images are then formatted to the same size. These prepared cutouts are then loaded to the Keras API, which is used to train the model. The aim was to create a model that would be versatile enough to determine the number of vehicles in a photograph in any environment (time, weather, weather conditions) and in the shortest possible time. Currently, the model can predict the correct number of vehicles in the cutout on test data with an accuracy of 87% and with a first order error of 95%. This work focuses on solving this problem in real time. It is a classification into 7 classes (0-6 vehicles). This solution could be interesting especially for static cameras in atypical places (eg side view), or it is important for them to capture certain areas.
|
guest ::
