20.500.12556/RUL-186628 Nevronska mreža za štetje objektov na barvnih slikah z uporabo globinske informacije A neural network for object counting in color images using depth information Štetje 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. Few-shot counting addresses the problem of counting objects of arbitrary categories for which only a few exemplars are given. Detection-based counters predict, from the predicted bounding boxes, the number of objects of the category specified by the exemplars. A weakness of counters that predict only from color information is a drop in accuracy in scenes where objects blend into their surroundings or densely overlap. We therefore propose GeCoD2, an extension of the currently best-performing detection-based counter GeCo2 with depth information obtained from the same color image by a pretrained monocular depth-estimation model. We also extend the model for zero-shot counting, in which the given exemplars are replaced by directly learnable prototypes. We further add a density-estimation head that predicts the object count as the sum of the predicted density map, so the estimate remains accurate even in dense scenes. The predicted map additionally enables density-guided detection. For datasets in which objects are annotated only with points, we propose a method that automatically derives bounding boxes from the point annotations and thus enables the training of detection-based counters on such datasets. We evaluate GeCoD2 on three datasets: on FSCD-147 it surpasses the published GeCo2 model, on the multi-class MCAC dataset it surpasses the published ABC123 model by 8 %, and in the indiscernible underwater scenes of the IOCfish5K-D dataset it achieves a 6 % lower MAE than GeCo2. Računalniški vid Štetje objektov z detekcijo Globinska informacija Anotacija objektov Slabo razločljive scene Computer vision Detection-based object counting Depth information Object annotation Indiscernible scenes true false false Slovenski jezik Angleški jezik Diplomsko delo/naloga 2026-09-03 14:10:05 2026-09-03 14:10:13 2026-09-05 03:32:45 0000-00-00 00:00:00 2026 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 1970-01-01 38833 Radovicevic_Erik_-_Nevronska_mreza_za_stetje_objektov_na_barvnih_slikah_z_uporabo_globinske_info.pdf Radovicevic_Erik_-_Nevronska_mreza_za_stetje_objektov_na_barvnih_slikah_z_uporabo_globinske_info.pdf 1 E71D5777205D3946DAC19B3BB0866F1A ac31208b94a331bfcf3080f2ab86cba2c49c6707dacf32e10cafb37a4f89582f 6c703e59-a790-11f1-8bc5-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=245916 Fakulteta za računalništvo in informatiko 0 0 0