Detekce chodců ve snímku pomocí metod strojového učení
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií
Abstract
Tato práce se zabývá detekcí chodců pomocí konvolučních neuronových sítí z pohledu autonomního vozidla. A to zejména jejich otestováním ve smyslu nalezení vhodné praxe tvorby datasetu pro machine learning modely. V práci bylo natrénováno celkem deset machine learning modelů meta architektur Faster R-CNN s ResNet 101 jako feature extraktorem a SSDLite s feature extraktorem MobileNet_v2. Tyto modely byly natrénovány na datasetech o různých velikostech. Nejlépší výsledky byly dosaženy na datasetu o velikosti 5000 snímků. Kromě těchto modelů byl vytvořen nový dataset zaměřující se na chodce v noci. Dále byla vytvořena knihovna Python funkcí pro práci s datasety a automatickou tvorbu datasetu.
This thesis deals with pedestrian detection using convolutional neural networks from the perspective of autonomous vehicle. Especially by testing these networks in the sense of finding a suitable practice of creating a dataset for machine learning models. A total of ten machine learning models of meta architectures Faster R-CNN with ResNet 101 as a feature extractor and SSDLite with the MobileNet_v2 feature extractor were trained. These models were trained on datasets of various sizes. The best results were achieved on a dataset of 5 000 images. In addition to these models, a new dataset aimed at pedestrians at night was created. Furthermore, a Python library was created for work with datasets and script for automatic creation of dataset.
This thesis deals with pedestrian detection using convolutional neural networks from the perspective of autonomous vehicle. Especially by testing these networks in the sense of finding a suitable practice of creating a dataset for machine learning models. A total of ten machine learning models of meta architectures Faster R-CNN with ResNet 101 as a feature extractor and SSDLite with the MobileNet_v2 feature extractor were trained. These models were trained on datasets of various sizes. The best results were achieved on a dataset of 5 000 images. In addition to these models, a new dataset aimed at pedestrians at night was created. Furthermore, a Python library was created for work with datasets and script for automatic creation of dataset.
Description
Citation
TILGNER, M. Detekce chodců ve snímku pomocí metod strojového učení [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
en
Study field
Kybernetika, automatizace a měření
Comittee
doc. Ing. Eduard Janeček, CSc. (předseda)
prof. Ing. Petr Pivoňka, CSc. (místopředseda)
doc. Ing. Petr Fiedler, Ph.D. (člen)
Ing. Radek Štohl, Ph.D. (člen)
Ing. Stanislav Klusáček, Ph.D. (člen)
Date of acceptance
2019-06-05
Defence
Student obhájil diplomovou práci. Reagoval na všechny dotazy komise i na připomínky oponenta.
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení