Detekcija sudionika u prometu u snimkama prometnica pomoću dubokog učenja

undergraduate thesis

• Title (english): Detection of Traffic Participants in Traffic Photographs Using Deep Learning
• Author: Matija Sukno
• Mentor: Marko Subašić (mentor)
• Committee member: Marko Subašić (predsjednik povjerenstva)
• Committee member: Tomislav Pribanić (član povjerenstva)
• Committee member: Nikola Banić (član povjerenstva)
• Granter: University of Zagreb; Faculty of Electrical Engineering and Computing; Zagreb
• Defense date and country: 2017-09-08, Croatia
• Scientific / art field, discipline and subdiscipline: TECHNICAL SCIENCES; Computing

Abstract

U uvodnom dijelu definirao sam problem koji ću pokušati riješiti u ovom radu a to je detekcija pješaka i automobila na slikama prometnica. Drugo poglvlje započeo sam sa konvolucijskim slojevima koji se sastoje od malih filtera koji "kližu" po ulaznoj mapi te obavljaju operaciju konvolucije. Također sam demonstrirao izgradnju jednog jednostavnog konvolucijskog sloja pomoću knjižnice Tensorflow. Osim konvolucijskih slojeva objasnio sam ulogu slojeva sažimanja i potpuno povezanih slojeva. Od aktivacijskih funkcija spomenuo sam sigmoidu i reaktivacijsku funkciju. Također sam objasnio kako funkcionira metoda slučajnog izostavljanja neurona(Dropout) i koja je njena uloga. U trćem poglavlju definiao sam klasifikator koji sam izgradio za klasifikaciju automobila i pješaka. Također sam prošao kroz postupak treniranja i testiranja klasifikatora koji na skupu za testiranje ostvaruje točnost od 0.971. U četvrtom poglavlju objasnio sam postupak izrezivanja sličica a u petom sam naveo rezlultate projekta.

Abstract (english)

In first chapter I defined a problem of pedestrian and car detection in traffic photographs. Second chapter I started with convolutional layers which consist of small filters. These filters slide all over input map and perform convolution. I also demonstrated how to build simple convolutional layer using Tensorflow library. Besides convolutional layers I explained the use of pooling and fully connected layers. Of all activation functions I mentioned sigmoid and relu functions. I also explained the dropout regularization method. In third chapter I defined a classifier which I have built for classification of cars and pedestrians. I also have explained the whole procedure regarding testing and training the classifier which had an accuracy of 0.971 on the test batch. In fourth chapter i have explained cropping procedure and in fifth chapter I commented project results.

• Keywords: neuronske mreže; konvolucijske neuronske mreže; detekcija objekata; tehnika klizećeg prozora; detekcija pješaka; detekcija automobila; dropout; aktivacijske funkcije; konvolucijski sloj; potpuno povezani sloj; slojevi sažimanja
• Keywords (english): neural networks; convolutional neural networks; convolutional layers; object detection; sliding window technique; pedestrian detection; car detection; dropout; activation functions; fully connected layers; pooling layers
• Language: croatian
• URN:NBN: urn:nbn:hr:168:687229
• Study programme: Title: Computing; Study programme type: university; Study level: undergraduate; Academic / professional title: sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva (sveučilišni/a prvostupnik/ prvostupnica (baccalaureus/baccalaurea) inženjer/inženjerka računarstva)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Closed access
• Created on: 2019-03-14 01:02:03