Nevronska mreža za štetje objektov na barvnih slikah z uporabo globinske informacijeRadovičevič, Erik (Avtor) Kristan, Matej (Mentor) Pelhan, Jer (Komentor) Računalniški vidŠtetje objektov z detekcijoGlobinska informacijaAnotacija objektovSlabo razločljive sceneŠtetje z malo učnimi primeri naslavlja problem štetja objektov poljubnih kategorij, za katere je podanih le nekaj učnih primerov. Detekcijski števci napovedujejo število objektov kategorije, določene s primeri, na podlagi napovedanih očrtanih okvirjev. Slabost števcev, ki napovedujejo le na podlagi barvne informacije, je padec točnosti v scenah, kjer se objekti barvno zlijejo z okolico ali se gosto prekrivajo. V delu zato predlagamo GeCoD2, razširitev trenutno najuspešnejšega detekcijskega števca GeCo2 z globinsko informacijo, ki jo iz iste barvne slike pridobimo s predhodno naučenim modelom za monokularno oceno globine. Model razširimo tudi za štetje brez primerov, pri katerem podane primere nadomestimo z neposredno učljivimi prototipi. Dodamo mu še glavo za oceno gostote, ki število objektov napove kot vsoto napovedane gostotne mape, zato ocena ostane točna tudi v gostih scenah. Napovedana mapa poleg tega omogoči gostotno vodenje detekcije. Za učenje na podatkovnih množicah, v katerih so objekti označeni le s točkami, predlagamo metodo, ki iz točkovnih oznak samodejno določi očrtane okvirje in tako omogoči učenje detekcijskih števcev tudi na takih množicah. GeCoD2 ovrednotimo na treh podatkovnih množicah: na podatkovni množici FSCD-147 preseže objavljeni model GeCo2, na večrazredni podatkovni množici MCAC preseže objavljeni model ABC123 za 8 %, v slabo razločljivih podvodnih scenah podatkovne množice IOCfish5K-D pa doseže 6 % manjšo napako MAE kot GeCo2.20262026-09-03 14:10:05Diplomsko delo/naloga186628VisID: 38833sl