Počítání vozidel ve statickém obraze

Abstract

Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95.

The goal of this work is to compare models of convolutional neural networks designed to count vehicles in a static image using density estimation with a focus on different sizes of objects in the scene. A total of four models were evaluated - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network and CASA-Crowd. The evaluation was done on three data sets - TRANCOS, CARPK, PUCPR+. Scale Pyramid Network achieved the best results. The model reached 5.44 in the Mean Absolute Error metric and 9.95 in the GAME(3) metric on TRANCOS dataset.