Klasifikacija prometnih scena u skupove oznaka

diplomski rad

• Naslov (engleski): Multi-label classification of traffic scenes
• Autor: Ivan Horvatin
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Jan Šnajder (član povjerenstva)
• Član povjerenstva: Zoran Kalafatić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2014-07-16, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

U ovom radu razmatra se klasifikacija prometnih scena u skupove oznaka. Za izlučivanje značajki korišten je algoritam SIFT. Za grupiranje lokalnih značajki slika iz skupa za učenje korišten je algoritam k-srednjih vrijednosti. Grupe koje smo dobili i njihove srednje vrijednosti tvore slikovni rječnik, gdje svaka srednja vrijednost predstavlja jednu slikovnu riječ. Izgrađeni su histogrami slikovnih riječi iz svih slika skupa za učenje i ti histogrami su korišteni za učenje klasifikatora, stroja sa potpornim vektorima i nasumične šume. Problem klasifikacije u skupove oznaka je sveden na binarni problem klasifikacije korištenjem jedan-protiv-svih strategijom. Provedeno je ispitivanje uspješnosti klasifikacije sa raznim postavkama nad više oznaka. Računala se F1 mjera. Rezultati za pojedine oznake su bili jako dobri (cesta, F1 = 98% i tunel, F1 =94%) dok za neke su bili jako loši (nadvožnjak, F1<50%).

Sažetak (engleski)

This work deals with multi-label classification of traffic scenes. Extraction of local features from an image is done with the SIFT algorithm. Grouping of local feature vectors from the training set of images is done by the k-means algorithm. Centroids produced by the k-means and their corresponding mean values are used as visual words, and all the visual words put together form a visual vocabulary. Using the visual vocabulary, for each image, a histogram is built, which is then used as training data for the classifiers, support vector machine and random forest classifier. Multi-label classification problem was simplified to a binary problem using a one-vs-all strategy. Categorization success is evaluated over multiple labels using a variety of parameters. F1 measure is calculated. Results for some labels were very good (road, F1 = 98% and tunnel, F1 =94%), while for others, not so well (overpass, $F1<50%).

• Ključne riječi: Klasifikacija prometnih scena; kategorizacija slike; histogram slikovnih riječi; slikovne riječi; slikovni rječnik; SIFT; stroj s potpornim vektorima; nasumične šume; skup oznaka; k-srednje vrijednosti; F1 mjera; izlučivanje značajki
• Ključne riječi (engleski): Multi-label classification; traffic scenes; SIFT; k-means; Support vector machine; Random Forest; image classification; image categorization; histogram; visual words; visual vocabulary; multi-label; F1 measure; feature point extraction
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:393310
• Studijski program: Naziv: Informacijska i komunikacijska tehnologija; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka informacijske i komunikacijske tehnologije (mag. ing. inf. et comm. techn.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-19 13:39:48