|
|
|
|
| LEADER |
02857na a2200229 4500 |
| 003 |
HR-ZaFER |
| 008 |
160221s2017 ci ||||| m||| 00| 0 hr d |
| 035 |
|
|
|a (HR-ZaFER)ferid4628
|
| 040 |
|
|
|a HR-ZaFER
|b hrv
|c HR-ZaFER
|e ppiak
|
| 100 |
1 |
|
|a Kiš, Tomislav
|
| 245 |
1 |
0 |
|a Detekcija i praćenje igrača u nogometnim scenama :
|b diplomski rad /
|c Tomislav Kiš ; [mentor Sven Lončarić].
|
| 246 |
1 |
|
|a Detection and Tracking of Players in Soccer Scenes
|i Naslov na engleskom:
|
| 260 |
|
|
|a Zagreb,
|b T. Kiš,
|c 2017.
|
| 300 |
|
|
|a 39 str. ;
|c 30 cm +
|e CD-ROM
|
| 502 |
|
|
|b diplomski studij
|c Fakultet elektrotehnike i računarstva u Zagrebu
|g smjer: Računarska znanost, šifra smjera: 56, datum predaje: 2017-06-29, datum završetka: 2017-07-11
|
| 520 |
3 |
|
|a Sažetak na hrvatskom: Ovaj rad daje usporedbu efikasnosti Faster R-CNN modela i klasičnih metoda računalnog vida za problem detektiranja igrača u scenama. Ispitani modeli Faster R-CNN-a učeni su na dva različita skupova s označenim pješacima. Prikazani su rezultati, navedeni problemi i nedostaci te mogućnosti dorade. Klasičan pristup zasniva se na oduzimanju pozadine te dodatnom procesiranju detektiranih regija. Korištene su paralelne i optimirane funkcije iz biblioteke otvorenog koda OpenCV. Ispitani su parametri k-NN metode oduzimanja pozadine i morfoloških transformacija za otklanjanje uvjeta scene. Opisani su algoritmi praćenja i analize detektiranih igrača te rezultati i moguća poboljšanja.
|
| 520 |
3 |
|
|a Sažetak na engleskom: In this thesis we compare efficiency of Faster R-CNN model and classical methods of computer vision for detecting players in soccer scenes. Tested models of Faster R-CNN were trained on two different pedestrian datasets. Results, potential problems and improvements were presented. Classical approach is based on background subtraction and further processing of detected regions. Parallel and optimized functions from OpenCV library were used. Parameters of k-NN background subtraction method and morphological transformations for scene conditions were tested. Algorithms for tracking and player analysis, and results and possible improvements are described.
|
| 653 |
|
1 |
|a duboko učenje, konvolucijske neuronske mreže, mreže za detekciju regija, Faster R-CNN, Caltech Pedestrian skup, Caltech Multispectral Pedestrian skup, OpenCV, oduzimanje pozadine, k-NN metoda, morfološke transformacije, detektiranje regija, analiza regija, razdvajanje igrača, Kalman filter
|
| 653 |
|
1 |
|a deep learning, convolutional neural networks, region based neural networks, Faster R-CNN, Caltech Pedestrian dataset, Caltech Multispectral Pedestrian dataset, OpenCV, background subtraction, k-NN method, morphological transformations, region detection, region analysis, players separation, Kalman filter
|
| 700 |
1 |
|
|a Lončarić, Sven
|4 ths
|
| 942 |
|
|
|c Y
|
| 999 |
|
|
|c 49010
|d 49010
|