Štetje množic z metodami strojnega učenjaPAVLOVIČ, ROK (Avtor) Štruc, Vitomir (Mentor) štetje množicstrojno učenjenevronske mrežeŠtetje množice je pomembna raziskovalna tema na področju računalniškega vida. Še vedno je težko natančno prešteti večje množice ljudi na festivalih, koncertih, protestih in zborih, kjer so ljudje natrpani skupaj. V zadnjih letih je štetje množic zelo napredovalo s pomočjo globokih nevronskih mrež. Metode globokega učenja so najsodobnejši pristop k štetju množic in oceni gostotne porazdelitve ljudi. V literaturi se pojavlja veliko postopkov z globokim učenjem, na njihovo uspešnost pa vpliva veliko faktorjev, kot so vremenske razmere, vrsta prizora, perspektiva in resolucija slike. V diplomski nalogi nas zanima kako se obneseta dve metodi štetja množic. Za našo analizo smo si izbrali CSRNet in MCNN. CSRNet (angl. Congested Scene Recognition Network) je metoda namenjena štetju ljudi v velikih gnečah, ki deluje na principu razširjene konvolucije. Druga metoda MCNN (angl. Multi-column Convolutional Neural Network) pa uporablja tri stolpične konvolucijske nevronske mreže, za boljšo razpoznavo različnih velikosti ljudi na sliki. Obe metodi smo ovrednotili na obeh delih podatkovne zbirke ShanghaiTech in na podatkovni zbirki UCF-CC-50. Eksperimente smo izvajali na na vseh treh zbirkah, pri čemer smo ločili podatke še na dodatne množice, da smo lahko analizirali vpliv zornega kota in vrste svetlobe. Naša analiza kaže, da se v povprečju boljše izkaže metoda CSRNet. Pri analizi zornega kota pridemo do zaključka, da imata modela boljše razultate pri nižjem zornem kotu. Pri faktorju vrste svetlobe pa lahko ugotovimo, da imata modela dobro razpoznavo ljudi tako v naravni svetlobi in pri umetno ustvarjeni svetlobi.20212021-11-15 10:45:00Diplomsko delo/naloga133173sl