Detekcija sigurnosnih atributa prometnica u snimkama

diplomski rad

• Naslov (engleski): Detection of road-assessment attributes in video
• Autor: Ivan Relić
• Mentor: Siniša Šegvić (mentor)
• Član povjerenstva: Siniša Šegvić (predsjednik povjerenstva)
• Član povjerenstva: Jan Šnajder (član povjerenstva)
• Član povjerenstva: Slobodan Ribarić (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Fakultet elektrotehnike i računarstva; Zagreb
• Datum i država obrane: 2017-07-17, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: TEHNIČKE ZNANOSTI; Računarstvo

Sažetak

Ovaj rad opisuje modeliranje i učenje dubokih modela za klasifikaciju sekvenci prometnih scena.
Svrha učenje modela za klasifikaciju sekvenci prometnih scena jest automatizirati dodjeljivanje sigurnosnih atributa definiranih od strane organizacije iRAP.
Dodjeljivanje sigurnosnih atributa u različitim sustavima trenutno se obavlja ručno.
Korištenje dubokih modela pruža jeftiniju i objektivniju alternativu takvom zadatku.

Predloženo je nekoliko arhitektura koje rade s pojedinačnim slikama i sa sekvencama slika te koje je moguće učiti s kraja na kraj.
Skupovi podataka generirani su na dva načina -- ručnim označavanjem i automatskom metodom koja oznake generira na temelju podataka iz sustava FTTS iRAP.
Prikazani su eksperimentalni rezultati dobiveni nad oba skupa.
Ručno označen skup podataka korišten je za pronalaženje najniže rezolucije na kojoj se ručno označene pojedinačne slike i dalje klasificiraju uspješno.
Pronalazak niske rezolucije slika na kojoj klasifikacija i dalje uspješno radi važna je jer učenje nad sekvencama slika zahtjeva više memorije nego učenje na pojedinačnim slikama.
Skup podataka označen na temelju podataka iz sustava FTTS iRAP korišten je za usporedbu dobitka na performansama uvođenjem dodatnih informacija kroz sekvencu slika.

Sažetak (engleski)

This paper describes modeling and training of deep models for classification of traffic scene sequences.
Purpose of training the model for classifications of traffic scenes is to automate the assignment of safety attributes defined by the iRAP organization.
Assignment of safety attributes in different systems is being performed manually at the moment.
Usage of the deep models provides cheaper and more objective alternative for that task.

Several architectures that work with single images and image sequences and which can be trained end-to-end are suggested.
Datasets are generated in two ways -- by manual labeling and by the automated method which generates labels based on the data from FTTS iRAP system.
Experimental results on both datasets are presented.
Manually labeled dataset is used to find the lowest resolution on which manually labeled single images are still successfully classified.
Determining low image resolution on which classification still works successfully is important because training on image sequences has greater memory requirements than training on single images.
Dataset with labels based on the data from FTTS iRAP system is used to compare performance gain with introducing the additional information through the image sequences.

• Ključne riječi: duboko učenje; sekvencijalni podaci; iRAP sigurnosni atributi; klasifikacija; prometne scene
• Ključne riječi (engleski): deep learning; sequence data; iRAP safety attributes; classification; traffic scenes
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:168:099728
• Studijski program: Naziv: Računarstvo; Vrsta studija: sveučilišni; Stupanj studija: diplomski; Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Zatvoreni pristup
• Datum i vrijeme pohrane: 2019-03-14 00:25:18