|
|
Detection of Landmarks on Vehicle Images
Chadima, Vojtěch ; Bartl, Vojtěch (referee) ; Herout, Adam (advisor)
This thesis aims to introduce automatic detection of landmarks on vehicle images. Detected landmarks can be then used for automatic traffic surveillance camera calibration or other computer vision applications. I solved the landmarks detection problem by using a novel type of convolutional neural network called Stacked Hourglass. Furthemore, I created an automatic trainig dataset (image + anotations) generator based on Blender API, which allows to create various datasets. Detected landmarks are analyzed and sorted in order to determine a set of superior landmarks that could be later used for camera calibration. The best-performing models detect up to 1 021 landmarks, while the best of them have less than 3.0 pixels average error. Finally, results can be further used in automatic camera calibration based on landmarks detection, to create custom datasets or to train Stacked Hourglass convolutional neural networks.
|
|
|
Counting Vehicles in Static Images
Zemánek, Ondřej ; Špaňhel, Jakub (referee) ; Herout, Adam (advisor)
Tato práce se zaměřuje na problém počítání vozidel v statickém obraze bez znalosti geometrických vlastností scény. V rámci řešení bylo implementováno a natrénováno 5 architektur konvolučních neuronových sítí. Také byl pořízen rozsáhlý dataset s 19 310 snímky pořízených z 12pohledů a zachycujících 7 různých scén. Použité konvoluční sítě mapují vstupní vzorek na mapu hustoty vozidel, ze které lze získat jejich počet a lokalizaci v kontextu vstupního snímku. Hlavním přínosem této práce je porovnání a aplikace dosavadních nejlepších řešení pro počítání objektů v obraze. Většina z těchto architektur byla navržena pro počítání lidí v obraze, proto musely být uzpůsobeny pro potřeby počítání vozidel v statickém obraze. Natrénované modely jsou vyhodnoceny GAME metrikou na TRANCOS datasetu a na velkém spojeném datasetu. Dosažené výsledky všech modelů jsou následně popsány a porovnány.
|
|
|
Panorama Automatically
Motáček, Vladimír ; Španěl, Michal (referee) ; Beran, Vítězslav (advisor)
This paper concerns automatic panoramic image mosaicing. Images can be taken in any direction and in any order. This work uses basic technics such as Harris corner detection, correlation of image patches for finding correspondences and computing homography using RANSAC. The images are mapped to the reference image plane.
|
|
| |
|
|
Counting Vehicles in Static Images
Zemánek, Ondřej ; Špaňhel, Jakub (referee) ; Herout, Adam (advisor)
Tato práce se zaměřuje na problém počítání vozidel v statickém obraze bez znalosti geometrických vlastností scény. V rámci řešení bylo implementováno a natrénováno 5 architektur konvolučních neuronových sítí. Také byl pořízen rozsáhlý dataset s 19 310 snímky pořízených z 12pohledů a zachycujících 7 různých scén. Použité konvoluční sítě mapují vstupní vzorek na mapu hustoty vozidel, ze které lze získat jejich počet a lokalizaci v kontextu vstupního snímku. Hlavním přínosem této práce je porovnání a aplikace dosavadních nejlepších řešení pro počítání objektů v obraze. Většina z těchto architektur byla navržena pro počítání lidí v obraze, proto musely být uzpůsobeny pro potřeby počítání vozidel v statickém obraze. Natrénované modely jsou vyhodnoceny GAME metrikou na TRANCOS datasetu a na velkém spojeném datasetu. Dosažené výsledky všech modelů jsou následně popsány a porovnány.
|
|
|
Detection of Landmarks on Vehicle Images
Chadima, Vojtěch ; Bartl, Vojtěch (referee) ; Herout, Adam (advisor)
This thesis aims to introduce automatic detection of landmarks on vehicle images. Detected landmarks can be then used for automatic traffic surveillance camera calibration or other computer vision applications. I solved the landmarks detection problem by using a novel type of convolutional neural network called Stacked Hourglass. Furthemore, I created an automatic trainig dataset (image + anotations) generator based on Blender API, which allows to create various datasets. Detected landmarks are analyzed and sorted in order to determine a set of superior landmarks that could be later used for camera calibration. The best-performing models detect up to 1 021 landmarks, while the best of them have less than 3.0 pixels average error. Finally, results can be further used in automatic camera calibration based on landmarks detection, to create custom datasets or to train Stacked Hourglass convolutional neural networks.
|
|
| |
|
|
Panorama Automatically
Motáček, Vladimír ; Španěl, Michal (referee) ; Beran, Vítězslav (advisor)
This paper concerns automatic panoramic image mosaicing. Images can be taken in any direction and in any order. This work uses basic technics such as Harris corner detection, correlation of image patches for finding correspondences and computing homography using RANSAC. The images are mapped to the reference image plane.
|
guest ::
