Detekcija sigurnosnih atributa prometnica u snimkama

Sažetak na hrvatskom: 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 sigurnosni...

Full description

Permalink: http://skupni.nsk.hr/Record/fer.KOHA-OAI-FER:49946/Details
Glavni autor: Relić, Ivan (-)
Ostali autori: Šegvić, Siniša (Thesis advisor)
Vrsta građe: Drugo
Impresum: Zagreb, I. Relić, 2017.
Predmet:
LEADER 03647na a2200229 4500
003 HR-ZaFER
008 160221s2017 ci ||||| m||| 00| 0 hr d
035 |a (HR-ZaFER)ferid5254 
040 |a HR-ZaFER  |b hrv  |c HR-ZaFER  |e ppiak 
100 1 |a Relić, Ivan 
245 1 0 |a Detekcija sigurnosnih atributa prometnica u snimkama :  |b diplomski rad /  |c Ivan Relić ; [mentor Siniša Šegvić]. 
246 1 |a Detection of road-assessment attributes in video  |i Naslov na engleskom:  
260 |a Zagreb,  |b I. Relić,  |c 2017. 
300 |a 58 str. ;  |c 30 cm +  |e CD-ROM 
502 |b diplomski studij  |c Fakultet elektrotehnike i računarstva u Zagrebu  |g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2017-06-29, datum završetka: 2017-07-17 
520 3 |a Sažetak na hrvatskom: 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. 
520 3 |a Sažetak na engleskom: 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. 
653 1 |a duboko učenje  |a sekvencijalni podaci  |a iRAP sigurnosni atributi  |a klasifikacija  |a prometne scene 
653 1 |a deep learning  |a sequence data  |a iRAP safety attributes  |a classification  |a traffic scenes 
700 1 |a Šegvić, Siniša  |4 ths 
942 |c Y 
999 |c 49946  |d 49946