|
|
Vehicle Make and Model Recognition in Image
Hrivňák, Marek ; Hradiš, Michal (referee) ; Herout, Adam (advisor)
This thesis focuses on training convolutional neural network for vehicle recognition in image, preparation of training data and improvement of classification accuracy. Solution focuses on effect of using 2D bounding box and data augmentation for better recognition accuracy. In this thesis, I also elaborate the comparison with papers using 3D bounding box and showing, my method approaches in some cases even outperforms method using 3D bounding box. BoxCars116k data set is used, which is freely available and collected by the GRAPH@FIT research group. In order to support the main data set, I also collected some vehicle images. As a result of the analysis, it is observed that accuracy of vehicle recognition increased 8% points in comparison with other convolutional neural networks without the proposed modifications. As part of my thesis I also performed several experiments, which show effect of different factors on classification accuracy.
|
|
|
Vehicle Classification Using Radar
Gottwald, Vilém ; Zemčík, Pavel (referee) ; Maršík, Lukáš (advisor)
Cílem této práce je rozpoznávání vozidel z radarových mračen bodů. Radar poskytuje informace o vzdálenosti a úhlu každého detekovaného cíle. Tyto informace lze převést do kartézského souřadnicového systému a získat tak 3D reprezentaci scény ve formě mračna bodů. V této práci jsou představeny stávající přístupy k rozpoznávání objektů v mračnech bodů. Metoda zvolená pro tuto práci spočívá v detekci objektů pomocí shlukování bodů a následné klasifikaci pomocí rekurentní neuronové sítě. Shluky bodů reprezentující objekty jsou vytvářeny z mračen bodů pomocí modifikovaného algoritmu DBSCAN. Z jednotlivých objektů jsou extrahovány příznaky, které jsou využity pro klasifikaci na různé typy vozidel pomocí neuronové sítě s dlouhodobou krátkodobou pamětí (LSTM). Pro trénování a vyhodnocení modelu byla vytvořena datová sada obsahující 57 345 anotovaných objektů. Vyvinutý model dosáhl na těchto datech 83% přesnosti metriky F1-skóre.
|
|
|
Vehicle Make and Model Recognition in Image
Hrivňák, Marek ; Hradiš, Michal (referee) ; Herout, Adam (advisor)
This thesis focuses on training convolutional neural network for vehicle recognition in image, preparation of training data and improvement of classification accuracy. Solution focuses on effect of using 2D bounding box and data augmentation for better recognition accuracy. In this thesis, I also elaborate the comparison with papers using 3D bounding box and showing, my method approaches in some cases even outperforms method using 3D bounding box. BoxCars116k data set is used, which is freely available and collected by the GRAPH@FIT research group. In order to support the main data set, I also collected some vehicle images. As a result of the analysis, it is observed that accuracy of vehicle recognition increased 8% points in comparison with other convolutional neural networks without the proposed modifications. As part of my thesis I also performed several experiments, which show effect of different factors on classification accuracy.
|
guest ::
