Detecció d'objectes a seqüències de vídeo

El projecte consisteix en la identificació, selecció i avaluació de diferents mètodes i sistemes per a la resolució de dos problemes vigents en el camp de la visió per computador: la detecció i el seguiment d'objectes. Per resoldre-ho s'han estudiat tant solucions clàssiques amb bon rendim...

Full description

Bibliographic Details
Author: Bonnín Hernández, Joan
Format: master thesis
Publication Date:2019
Country:España
Institution:Universitat Oberta de Catalunya (UOC)
Repository:O2, repositorio institucional de la UOC
OAI Identifier:oai:openaccess.uoc.edu:10609/99226
Online Access:http://hdl.handle.net/10609/99226
Access Level:Open access
Keyword:visió per computador
intel·ligència artificial
aprenentatge automàtic
detecció d'objectes
seguiment d'objectes
computer vision
artificial intelligence
machine learning
object detection
object tracking
visión por ordenador
inteligencia artificial
aprendizaje automático
detección de objetos
seguimiento de objetos
Artificial intelligence -- TFM
Intel·ligència artificial -- TFM
Inteligencia artificial -- TFM
id ES_8c22659bc4b9770d66fd522b50bdfcfb
oai_identifier_str oai:openaccess.uoc.edu:10609/99226
network_acronym_str ES
network_name_str España
repository_id_str
dc.title.none.fl_str_mv Detecció d'objectes a seqüències de vídeo
title Detecció d'objectes a seqüències de vídeo
spellingShingle Detecció d'objectes a seqüències de vídeo
Bonnín Hernández, Joan
visió per computador
intel·ligència artificial
aprenentatge automàtic
detecció d'objectes
seguiment d'objectes
computer vision
artificial intelligence
machine learning
object detection
object tracking
visión por ordenador
inteligencia artificial
aprendizaje automático
detección de objetos
seguimiento de objetos
Artificial intelligence -- TFM
Intel·ligència artificial -- TFM
Inteligencia artificial -- TFM
title_short Detecció d'objectes a seqüències de vídeo
title_full Detecció d'objectes a seqüències de vídeo
title_fullStr Detecció d'objectes a seqüències de vídeo
title_full_unstemmed Detecció d'objectes a seqüències de vídeo
title_sort Detecció d'objectes a seqüències de vídeo
dc.creator.none.fl_str_mv Bonnín Hernández, Joan
author Bonnín Hernández, Joan
author_facet Bonnín Hernández, Joan
author_role author
dc.contributor.none.fl_str_mv Casas-Roma, Jordi
Moyà Alcover, Gabriel
dc.subject.none.fl_str_mv visió per computador
intel·ligència artificial
aprenentatge automàtic
detecció d'objectes
seguiment d'objectes
computer vision
artificial intelligence
machine learning
object detection
object tracking
visión por ordenador
inteligencia artificial
aprendizaje automático
detección de objetos
seguimiento de objetos
Artificial intelligence -- TFM
Intel·ligència artificial -- TFM
Inteligencia artificial -- TFM
topic visió per computador
intel·ligència artificial
aprenentatge automàtic
detecció d'objectes
seguiment d'objectes
computer vision
artificial intelligence
machine learning
object detection
object tracking
visión por ordenador
inteligencia artificial
aprendizaje automático
detección de objetos
seguimiento de objetos
Artificial intelligence -- TFM
Intel·ligència artificial -- TFM
Inteligencia artificial -- TFM
description El projecte consisteix en la identificació, selecció i avaluació de diferents mètodes i sistemes per a la resolució de dos problemes vigents en el camp de la visió per computador: la detecció i el seguiment d'objectes. Per resoldre-ho s'han estudiat tant solucions clàssiques amb bon rendiment, com les darreres novetats basades en aprenentatge automàtic i aprenentatge profund. Per poder realitzar la comparativa de models, es realitzen una sèrie d'experiments. Aquests experiments es realitzen sobre el conjunt de dades del MOTChallenge, en concret a l'edició del 2017. Per la detecció s'estudien els models DPM, SDP, Mask-RCNN i YOLOv3, mentre que pel seguiment s'estudien CamShift, filtres de correlació i SORT. La combinació de diferents sistemes per resoldre les dues tasques de forma combinada conclou que es disposen de tècniques amb bondats suficients per a l'automatització de la tasca, tot i que les característiques de les imatges a processar afecten directament a la qualitat del resultat. Tot plegat, es defineixen els millors models per escenes generals, però queda patent la necessitat d'avaluar el context i natura de les imatges a tractar per realitzar una correcta selecció i aplicació de models de detecció i seguiment.
publishDate 2019
dc.date.none.fl_str_mv 2019
2019
2019
dc.type.none.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv http://hdl.handle.net/10609/99226
url http://hdl.handle.net/10609/99226
dc.language.none.fl_str_mv Catalán
language_invalid_str_mv Catalán
dc.rights.none.fl_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv CC BY-NC-ND
http://creativecommons.org/licenses/by-nc-nd/3.0/es/
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
application/pdf
dc.publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
publisher.none.fl_str_mv Universitat Oberta de Catalunya (UOC)
dc.source.none.fl_str_mv reponame:O2, repositorio institucional de la UOC
instname:Universitat Oberta de Catalunya (UOC)
instname_str Universitat Oberta de Catalunya (UOC)
reponame_str O2, repositorio institucional de la UOC
collection O2, repositorio institucional de la UOC
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869412894740840448
spelling Detecció d'objectes a seqüències de vídeoBonnín Hernández, Joanvisió per computadorintel·ligència artificialaprenentatge automàticdetecció d'objectesseguiment d'objectescomputer visionartificial intelligencemachine learningobject detectionobject trackingvisión por ordenadorinteligencia artificialaprendizaje automáticodetección de objetosseguimiento de objetosArtificial intelligence -- TFMIntel·ligència artificial -- TFMInteligencia artificial -- TFMEl projecte consisteix en la identificació, selecció i avaluació de diferents mètodes i sistemes per a la resolució de dos problemes vigents en el camp de la visió per computador: la detecció i el seguiment d'objectes. Per resoldre-ho s'han estudiat tant solucions clàssiques amb bon rendiment, com les darreres novetats basades en aprenentatge automàtic i aprenentatge profund. Per poder realitzar la comparativa de models, es realitzen una sèrie d'experiments. Aquests experiments es realitzen sobre el conjunt de dades del MOTChallenge, en concret a l'edició del 2017. Per la detecció s'estudien els models DPM, SDP, Mask-RCNN i YOLOv3, mentre que pel seguiment s'estudien CamShift, filtres de correlació i SORT. La combinació de diferents sistemes per resoldre les dues tasques de forma combinada conclou que es disposen de tècniques amb bondats suficients per a l'automatització de la tasca, tot i que les característiques de les imatges a processar afecten directament a la qualitat del resultat. Tot plegat, es defineixen els millors models per escenes generals, però queda patent la necessitat d'avaluar el context i natura de les imatges a tractar per realitzar una correcta selecció i aplicació de models de detecció i seguiment.El proyecto consiste en la identificación, selección y evaluación de diferentes métodos y sistemas para la resolución de dos problemas vigentes en el campo de la visión por computador: la detección y el seguimiento de objetos. Para resolverlo se han estudiado tanto soluciones clásicas con buen rendimiento, como las últimas novedades basadas en aprendizaje automático y aprendizaje profundo. Para poder realizar la comparativa de modelos, se realizan una serie de experimentos. Estos experimentos se realizan sobre el conjunto de datos del MOTChallenge, en concreto a la edición de 2017. Para la detección se estudian los modelos DPM, SDP, Mask-RCNN y YOLOv3, mientras que el seguimiento se estudian CamShift, filtros de correlación y SUERTE. La combinación de diferentes sistemas para resolver las dos tareas de forma combinada concluye que se disponen de técnicas con bondades suficientes para la automatización de la tarea, aunque las características de las imágenes a procesar afectan directamente a la calidad del resultado. Todo ello, se definen los mejores modelos para escenas generales, pero queda patente la necesidad de evaluar el contexto y naturaleza de las imágenes a tratar para realizar una correcta selección y aplicación de modelos de detección y seguimiento.The project consists in the identification, selection and evaluation of different methods and systems for solving two current problems in the computer's vision field: object detection and object tracking. To solve both tasks, we've studied classical solutions with a well-known good performance and the latest approaches based on machine learning and deep learning. In order to make a comparison between models, a set of experiments has been done. Those experiments are built over the dataset of MOTChallenge, specifically 2017 edition. For the detection task the studied models are: DPM, SDP, Mask-RCNN and YOLOv3. For the tracking task the studied models are: CamShift, correlation filters and SORT. The combination between different systems to solve both tasks, aims to the fact we actually have the required techniques to automatize of the tasks. Even that, the characteristics of the images to process directly affect the results' quality. To sum up, we define the best models for general scenes, but it's crystal clear that there exists the need of evaluating the context and characteristics of the scene to decide which model to use.Universitat Oberta de Catalunya (UOC)Casas-Roma, JordiMoyà Alcover, Gabriel201920192019info:eu-repo/semantics/masterThesisapplication/pdfapplication/pdfhttp://hdl.handle.net/10609/99226reponame:O2, repositorio institucional de la UOCinstname:Universitat Oberta de Catalunya (UOC)CatalánCC BY-NC-NDhttp://creativecommons.org/licenses/by-nc-nd/3.0/es/info:eu-repo/semantics/openAccessoai:openaccess.uoc.edu:10609/992262026-05-28T12:42:01Z
score 15.301629

Similar Items