Metody hlubokého učení pro zpracování obrazů

Abstract

Tato diplomová práce se zabývá metodami hlubokého učení pro rozpoznávání obrazů přes historii po vývoj moderních metod. Hlavní důraz je kladen na konvoluční neuronové sítě a na nich postavené modely určené pro klasifikaci, detekci a segmentaci obrazu. Metody jsou následně využity pro praktickou aplikaci počítání projíždějících automobilů na snímcích z dopravní kamery. Po otestování dostupných modelů byla použita architektura sítě YOLOv2, která byla přetrénována na vlastní sadě trénováních dat. Součástí aplikace je i přidání sledovacího algoritmu SORT.

This master‘s thesis deals with the Deep Learning methods for image recognition tasks from the first methods to the modern ones. The main focus is on convolutional neural nets based models for classification, detection and image segmentation. These methods are used for practical implemetation – counting passing cars on video from traffic camera. After several test of available models, the YOLOv2 architecture was chosen and retrained on own dataset. The application also includes the addition of the SORT tracking algorithm.