Counting Vehicles in Static Images

Název česky

Počítání vozidel v statickém obraze

Jazyk práce

anglický

Abstrakt

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.

Klíčová slova

počítání objektů odhadem mapy hustoty, vlastní dataset vozidel, konvoluční sítě, detekce význačných bodů, GAME metrika

Ústav

Ústav počítačové grafiky a multimédií FIT VUT v Brně

Studijní program

Informační technologie, obor Počítačová grafika a multimédia

Soubory

Stav

obhájeno, hodnocení A

Obhajoba

14. července 2020

Oponent

Špaňhel Jakub, Ing.

Průběh obhajoby

Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm A.

Otázky u obhajoby

Stacked HG model má na celkovém datasetu podezřele špatné výsledky. Tento model se v mnoha aplikacích jeví jako velmi přesný s ohledem na lokalizaci různých typů objektů / keypointů atd. S jakým nastavením (learning rate, optimize, loss) byl tento model trénován?
SSDCNet ve vašich výsledcích má výborné hodnoty GAME(3) na celkovém datasetu, i když ve výsledných mapách jsou některé pozice nevýrazné. Jak přesně se počítá metrika GAME pro ground truth / výstup z SSDCNet?

Komise

Herout Adam, prof. Ing., Ph.D. (UPGM FIT VUT), předseda
Bařina David, Ing., Ph.D. (UPGM FIT VUT), člen
Grézl František, Ing., Ph.D. (UPGM FIT VUT), člen
Křivka Zbyněk, Ing., Ph.D. (UIFS FIT VUT), člen

Citace

ZEMÁNEK, Ondřej. Counting Vehicles in Static Images. Brno, 2020. Diplomová práce. Vysoké učení technické v Brně, Fakulta informačních technologií. 2020-07-14. Vedoucí práce Herout Adam. Dostupné z: https://www.fit.vut.cz/study/thesis/21384/

BibTeX

@mastersthesis{FITMT21384,
    author = "Ond\v{r}ej Zem\'{a}nek",
    type = "Diplomov\'{a} pr\'{a}ce",
    title = "Counting Vehicles in Static Images",
    school = "Vysok\'{e} u\v{c}en\'{i} technick\'{e} v Brn\v{e}, Fakulta informa\v{c}n\'{i}ch technologi\'{i}",
    year = 2020,
    location = "Brno, CZ",
    language = "english",
    url = "https://www.fit.vut.cz/study/thesis/21384/"
}