Analýza dopravního provozu s využitím strojového učení

Traffic analysis using on machine learning

Thumbnail
View/Open
Author
Advisor
Frýza, Tomáš
Referee
Slanina, Martin
Grade
D
Altmetrics
Metadata
Show full item record
Abstract
Tato práce přibližuje problematiku detekce objektů a jejich klasifikace pro uplatnění k analýze dopravy. V teoretické části přibližuji několik metod a technik pro detekci a klasifikaci objektů. Dále zde představuji nejpoužívanější platformy a programovací jazyky pro implementaci konvolučních neuronových sítí. Dále uvádí přehled základních algoritmů pro trasování objektů a dostupné cloudové platformy pro internet věci. V praktické část je uvedena implementace vybraného algoritmu a k němu přidaných funkcionalit jako je trasování objektů nebo pracování a vizualiace v cloudu.
 
The aim of this thesis is to investigate the problematic of object detection and classification for traffic analysis. The theoretical part of the paper takes insight on numerous methods and techniques of object detection and classification. Further the paper discuses popular frameworks and programming languages for implementation of convolutional neural networks as well as multi-object tracking and communication with IoT server. The practical part shows implementation of chosen model and additional functionalities, object trackers and communication with selected IoT platform as well as data processing in cloud and visualization.
 
Keywords
Hluboké učení, učení s učitelem, počítačové vidění, detekce objektů, klasifikaace objektů, python, pytorch, konvoluční neuronové sítě, objektová detekce, internet věci, Deep Learning, Supervised Learning, Computer Vision, Object Detection, Object Classification, Python, PyTorch, Convolutional Neural Networks, Object Tracking, Internet of Things
Language
angličtina (English)
Study brunch
bez specializace
Composition of Committee
doc. Ing. Lucie Hudcová, Ph.D. (předseda) prof. Dr. Ing. Zbyněk Raida (místopředseda) Ing. Michal Kubíček, Ph.D. (člen) doc. Ing. Jiří Veselý, Ph.D. (člen) doc. Ing. Martin Slanina, Ph.D. (člen)
Date of defence
2022-08-25
Process of defence
Student prezentuje výsledky a postupy své diplomové práce. Otázky oponenta: 1) Jakým způsobem zamezíte přetrénování modelu (overfitting)? Student popisuje zamezení overfittingu pomocí implementace algoritmu ukládání vah. 2) V podobných úlohách se často využívá tzv. Transfer learning. Byla by tato technika vhodná ve Vašem případě? Student popisuje termín Transfer learning. Dále vysvětluje, proč není možné použít Transfer learning u tohoto projektu. 3) Očekáváte připojení Jetson Nano do internetu prostřednictvím Wi-Fi dongle a mobilního hotsportu. Bylo by možné využít přímo např. USB LTE modem? Případně využít ethernetový port? prof. Dr. Ing. Zbyněk Raida Nebyla by možnost snížit objem dat, aby bylo možné zlepšit natrénování systému. Student komentuje, že tento postup zkoušel, ale nebylo dosaženo lepších výsledků. doc. Ing. Jiří Veselý, Ph.D. Umí algoritmus přímo vyhledat automobil? Student odpovídá, že ano, algoritmus je komplexní. Dále uvádí, že je možné pouze z části detekovat automobily, ale tento způsob není nutné využívat.
Result of the defence
práce byla úspěšně obhájena
Persistent identifier
http://hdl.handle.net/11012/208304
Source
ZELENÝ, O. Analýza dopravního provozu s využitím strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2022.
Collections
Citace PRO