Detekcija osoba u slikama i video zapisima temeljena na strojnom učenju
| Autor: | Srebot, Mateo |
|---|---|
| Přispěvatelé: | Hrkać, Tomislav |
| Jazyk: | chorvatština |
| Rok vydání: | 2015 |
| Předmět: |
TP
overfitting TN detekcija osoba channel error rate problem grupiranja gradient magnitude stablo odlučivanja TECHNICAL SCIENCES. Computing data exaggeration fleksibilnost strojno učenje ICF naglašavanje podataka nadzirano učenje slabi klasifikator flexibility klasifikacijski problem machine learning magnituda gradijenata mjera pogreške adaptive boosting značajke evaluacija rezultata adaptivno učenje histogram gradijenata weak classifier classification problem TEHNIČKE ZNANOSTI. Računarstvo skup za testiranje integralna slika training set unsupervised learning regression problem supervised learning skup za treniranje gradient histogram regresijski problem FN FP decision tree features clustering problem nenadzirano učenje testing set LUV result evaluation kanal integral image person detection pretreniranje |
| Popis: | Objašnjen je pojam detekcije osoba, te područja primjene. Opisani su osnovni pojmovi vezani za strojno učenje. To su regresijski i klasifikacijski problemi, te problemi grupiranja, zatim pojam nadziranog i nenadziranog učenja, mjerenja pogreške, odabir skupa za treniranje, skupa za testiranje, fleksibilnost i fenomen pretreniranja. Detaljno je opisan postupak odabira značajki kod problema detekcije osoba pomoću integralne slike i kanala dobivenih iz originalne slike. Objašnjeni su sljedeći kanali: LUV, magnituda gradijenata i histogram gradijenata. Detaljno je opisan postupak adaptivnog učenja i pojmovi vezani za njega; slabi klasifikator, stabla odlučivanja, naglašavanje testnih podataka, mjera pogreške, težinski faktori. Detaljno je prikazana implementacija rješenja, te su prikazani rezultati i predložena poboljšanja. Uvedeni su pojmovi za evaluaciju rezultata: TP, FN, FP, TN. The notion of person detection is described along with it's applications. The basic concepts of machine learning are explained. Those are: regression, classification and clustering problems, supervised and unsupervised learning, the concept of error measurement, choosing the training and testing sets, flexibility and overfitting. The process of choosing the features using integral image and image channels is described in details. The following image channels are explained: LUV, gradient magnitude and gradient histogram. The concept of adaptive boosting is explained in details, along with it's basic terms: weak classifier, decision trees, test data exaggeration, error rate, weight factors. The implementation of solution is described in details, the results are analysed, and improvements are suggested. The basic terms for performance evaluation are explained: TP, FN, FP, TN. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|