Table | Card | RUSMARC | |
Allowed Actions: –
Action 'Read' will be available if you login or access site from another network
Action 'Download' will be available if you login or access site from another network
Group: Anonymous Network: Internet |
Annotation
В данной работе описана разработка программы обнаружения и классификации транспортных средств. Проведен обзор существующих подходов к обнаружению. На основе существующей модели нейронной сети произведено дообучение. Проведены эксперименты с использованием полученной модели и измерены показатели точности и скорости работы системы.
This paper discribes the development of a program for detection and classification of vehicles. Presented overview of existing approaches for object detection. Transfer learning is conducted using one of the existing deep learning models. Conducted experiments on the developed sysytem using the trained model. Precision and speed of the sysytem are measured.
Document access rights
Network | User group | Action | ||||
---|---|---|---|---|---|---|
ILC SPbPU Local Network | All | |||||
Internet | Authorized users SPbPU | |||||
Internet | Anonymous |
Table of Contents
- 794c1ffdd59f730238331c015c784d593cf4500618bea3c7727691fe90138204.pdf
- 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
- ВВЕДЕНИЕ
- 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
- 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
- 1.2. Обнаружение транспортных средств методами машинного обучения
- 1.2.1. Способы извлечения признаков
- 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
- 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
- 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
- 1.3.1. YOLOv3 детектор
- 1.3.2. SSD детектор
- 1.3.3. Faster R-CNN детектор
- 1.3.4. Mask R-CNN сегментатор
- 1.3.5. Сравнительные характеристики представленных моделей
- 1.4. Анализ используемых при разработке средств, инструментов и методов
- 1.4.1. Анализ и выбор среды и языка разработки
- 1.4.2. Анализ инструментов системы обучения
- 1.4.3. Анализ инструментов встраиваемой системы
- 1.5. Выводы по разделу
- 2. Разработка детектора транспортных средств в режиме реального времени
- 2.1. Программа дообучения модели
- 2.2. Процесс создания устойчивой модели для обнаружения объектов
- 2.2.1. Составление обучающей выборки
- 2.2.2. Дообучение модели обнаружения транспортных средств
- 2.3. Программа покадрового обнаружения объектов
- 2.3.1. Парсер графа модели из формата UFF
- 2.3.2. Получение кадра из потока камеры
- 2.3.3. Пост-обработка результатов выполнения модели
- 2.3.4. Дополнительная классификация меток с типом «автобус»
- 2.4. Выводы по разделу
- 3. Экспериментальные исследования разработанной системы на Jetson Nano
- 3.1. Планирование экспериментальных исследований
- 3.2. Метрики точности обнаружения и классификации
- 3.3. Экспериментальные исследования системы с исходной моделью
- 3.4. Экспериментальные исследования системы с дообученной моделью
- 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
- 3.6. Выводы по разделу
- 4. Анализ полученных результатов
- ЗАКЛЮЧЕНИЕ
- СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- Untitled
- 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
- ВВЕДЕНИЕ
- 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
- 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
- 1.2. Обнаружение транспортных средств методами машинного обучения
- 1.2.1. Способы извлечения признаков
- 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
- 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
- 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
- 1.3.1. YOLOv3 детектор
- 1.3.2. SSD детектор
- 1.3.3. Faster R-CNN детектор
- 1.3.4. Mask R-CNN сегментатор
- 1.3.5. Сравнительные характеристики представленных моделей
- 1.4. Анализ используемых при разработке средств, инструментов и методов
- 1.4.1. Анализ и выбор среды и языка разработки
- 1.4.2. Анализ инструментов системы обучения
- 1.4.3. Анализ инструментов встраиваемой системы
- 1.5. Выводы по разделу
- 2. Разработка детектора транспортных средств в режиме реального времени
- 2.1. Программа дообучения модели
- 2.2. Процесс создания устойчивой модели для обнаружения объектов
- 2.2.1. Составление обучающей выборки
- 2.2.2. Дообучение модели обнаружения транспортных средств
- 2.3. Программа покадрового обнаружения объектов
- 2.3.1. Парсер графа модели из формата UFF
- 2.3.2. Получение кадра из потока камеры
- 2.3.3. Пост-обработка результатов выполнения модели
- 2.3.4. Дополнительная классификация меток с типом «автобус»
- 2.4. Выводы по разделу
- 3. Экспериментальные исследования разработанной системы на Jetson Nano
- 3.1. Планирование экспериментальных исследований
- 3.2. Метрики точности обнаружения и классификации
- 3.3. Экспериментальные исследования системы с исходной моделью
- 3.4. Экспериментальные исследования системы с дообученной моделью
- 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
- 3.6. Выводы по разделу
- 4. Анализ полученных результатов
- ЗАКЛЮЧЕНИЕ
- СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
- 794c1ffdd59f730238331c015c784d593cf4500618bea3c7727691fe90138204.pdf
- 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
- ВВЕДЕНИЕ
- 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
- 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
- 1.2. Обнаружение транспортных средств методами машинного обучения
- 1.2.1. Способы извлечения признаков
- 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
- 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
- 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
- 1.3.1. YOLOv3 детектор
- 1.3.2. SSD детектор
- 1.3.3. Faster R-CNN детектор
- 1.3.4. Mask R-CNN сегментатор
- 1.3.5. Сравнительные характеристики представленных моделей
- 1.4. Анализ используемых при разработке средств, инструментов и методов
- 1.4.1. Анализ и выбор среды и языка разработки
- 1.4.2. Анализ инструментов системы обучения
- 1.4.3. Анализ инструментов встраиваемой системы
- 1.5. Выводы по разделу
- 2. Разработка детектора транспортных средств в режиме реального времени
- 2.1. Программа дообучения модели
- 2.2. Процесс создания устойчивой модели для обнаружения объектов
- 2.2.1. Составление обучающей выборки
- 2.2.2. Дообучение модели обнаружения транспортных средств
- 2.3. Программа покадрового обнаружения объектов
- 2.3.1. Парсер графа модели из формата UFF
- 2.3.2. Получение кадра из потока камеры
- 2.3.3. Пост-обработка результатов выполнения модели
- 2.3.4. Дополнительная классификация меток с типом «автобус»
- 2.4. Выводы по разделу
- 3. Экспериментальные исследования разработанной системы на Jetson Nano
- 3.1. Планирование экспериментальных исследований
- 3.2. Метрики точности обнаружения и классификации
- 3.3. Экспериментальные исследования системы с исходной моделью
- 3.4. Экспериментальные исследования системы с дообученной моделью
- 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
- 3.6. Выводы по разделу
- 4. Анализ полученных результатов
- ЗАКЛЮЧЕНИЕ
- СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- Untitled
- 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- СПИСОК ОБОЗНАЧЕНИЙ И СОКРАЩЕНИЙ
- ВВЕДЕНИЕ
- 1. Обзор методов классификации и обнаружения транспортных средств с использованием методов технического зрения
- 1.1. Обнаружение транспортных средств по моделям (Model-Based Detection)
- 1.2. Обнаружение транспортных средств методами машинного обучения
- 1.2.1. Способы извлечения признаков
- 1.2.2. Классификация методом опорных веторов (Support Vector Machine)
- 1.2.3. Обнаружение транспортных средств по частям (Part-based vehicle detection)
- 1.3. Обнаружение транспортных средств с помощью обучаемых нейросетевых алгоритмов (Learning-Based Detection)
- 1.3.1. YOLOv3 детектор
- 1.3.2. SSD детектор
- 1.3.3. Faster R-CNN детектор
- 1.3.4. Mask R-CNN сегментатор
- 1.3.5. Сравнительные характеристики представленных моделей
- 1.4. Анализ используемых при разработке средств, инструментов и методов
- 1.4.1. Анализ и выбор среды и языка разработки
- 1.4.2. Анализ инструментов системы обучения
- 1.4.3. Анализ инструментов встраиваемой системы
- 1.5. Выводы по разделу
- 2. Разработка детектора транспортных средств в режиме реального времени
- 2.1. Программа дообучения модели
- 2.2. Процесс создания устойчивой модели для обнаружения объектов
- 2.2.1. Составление обучающей выборки
- 2.2.2. Дообучение модели обнаружения транспортных средств
- 2.3. Программа покадрового обнаружения объектов
- 2.3.1. Парсер графа модели из формата UFF
- 2.3.2. Получение кадра из потока камеры
- 2.3.3. Пост-обработка результатов выполнения модели
- 2.3.4. Дополнительная классификация меток с типом «автобус»
- 2.4. Выводы по разделу
- 3. Экспериментальные исследования разработанной системы на Jetson Nano
- 3.1. Планирование экспериментальных исследований
- 3.2. Метрики точности обнаружения и классификации
- 3.3. Экспериментальные исследования системы с исходной моделью
- 3.4. Экспериментальные исследования системы с дообученной моделью
- 3.5. Экспериментальные исследования системы с дообученной моделью и дополнительной классификацией
- 3.6. Выводы по разделу
- 4. Анализ полученных результатов
- ЗАКЛЮЧЕНИЕ
- СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 3451683d7ad9adb1c2889f830837a88a7a82435f38c414105297f61aa03400c4.pdf
- 693d1013b7a4976f95f855a7693febf27b9d15e5771b773a5e4e8095d3e91b07.pdf
Usage statistics
Access count: 29
Last 30 days: 0 Detailed usage statistics |