Detail práce
Počítání vozidel ve statickém obraze
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.
konvoluční neuronové sítě, mapa hustoty, odhad hustoty, počítání vozidel, Counting CNN, Hydra CNN, Perspective-Aware CNN, Multi-column CNN
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 otázku 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 velmi dobře.
- Jak byste využil vámi popisované metody v praxi (v jakých aplikacích)?
- Testované architektury jsou z původních článků, nebo jste je upravoval? Měl jste k dispozici implementace uvedených sítí?
- Musel jste některé sítě i implementovat a trénovat?
- Jsou Vaše výsledky lepší než v původních článcích?
Bařina David, Ing., Ph.D. (UPGM FIT VUT), člen
Burget Radek, doc. Ing., Ph.D. (UIFS FIT VUT), člen
Holík Lukáš, doc. Mgr., Ph.D. (UITS FIT VUT), člen
Jaroš Jiří, doc. Ing., Ph.D. (UPSY FIT VUT), člen
@bachelorsthesis{FITBT23070,
author = "Zden\v{e}k Jel\'{i}nek",
type = "Bakal\'{a}\v{r}sk\'{a} pr\'{a}ce",
title = "Po\v{c}\'{i}t\'{a}n\'{i} vozidel ve statick\'{e}m obraze",
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 = "czech",
url = "https://www.fit.vut.cz/study/thesis/23070/"
}