Cílem práce je studium, použití a vyhodnocení metod řešení úlohy estimace pózy zvířat. Tyto metody jsou použity na novém Lynx-Pose datasetu, který je v práci představen.
Práce sestává z úvodu do teoretického základu estimace pózy a použití metod odhadu pózy k vyřešení predikce pózy rysa ostrovida. V práci jsou představeny hluboké neuronové sítě a metody vyhodnocení pro estimaci pózy spolu s dostupnými datasety pro estimaci pózy zvířat. Experimenty sestávají z natrénování modelů HRNet-W32, ResNet-50 a ResNet-152 pro estimaci pózy rysů a z použití technik augmentace obrazů k dosažení lepších predikcí pózy. Výsledky jsou vyhodnoceny za použití mean average precision a procenta správných predikcí a vykresleny na obrázcích z Lynx-Pose datasetu.
Anotace v angličtině
The goal of the thesis is to study, use and evaluate the animal pose estimation methods. These methods are to be used on the novel Lynx-Pose dataset introduced in the thesis.
The thesis consists of an introduction to the animal pose estimation theoretical basis and the use of the pose estimation methods to predict the Eurasian lynx pose. Deep neural networks and evaluation metrics for pose estimation are introduced as well as the available animal pose estimation datasets. The experiments consist of training the HRNet-W32, ResNet-50, and ResNet-152 models for lynx pose estimation and using image augmentation techniques to achieve better performance. The results are evaluated using the mean average precision and the percentage of correct predictions and also visualized on images from the Lynx-Pose dataset.
Cílem práce je studium, použití a vyhodnocení metod řešení úlohy estimace pózy zvířat. Tyto metody jsou použity na novém Lynx-Pose datasetu, který je v práci představen.
Práce sestává z úvodu do teoretického základu estimace pózy a použití metod odhadu pózy k vyřešení predikce pózy rysa ostrovida. V práci jsou představeny hluboké neuronové sítě a metody vyhodnocení pro estimaci pózy spolu s dostupnými datasety pro estimaci pózy zvířat. Experimenty sestávají z natrénování modelů HRNet-W32, ResNet-50 a ResNet-152 pro estimaci pózy rysů a z použití technik augmentace obrazů k dosažení lepších predikcí pózy. Výsledky jsou vyhodnoceny za použití mean average precision a procenta správných predikcí a vykresleny na obrázcích z Lynx-Pose datasetu.
Anotace v angličtině
The goal of the thesis is to study, use and evaluate the animal pose estimation methods. These methods are to be used on the novel Lynx-Pose dataset introduced in the thesis.
The thesis consists of an introduction to the animal pose estimation theoretical basis and the use of the pose estimation methods to predict the Eurasian lynx pose. Deep neural networks and evaluation metrics for pose estimation are introduced as well as the available animal pose estimation datasets. The experiments consist of training the HRNet-W32, ResNet-50, and ResNet-152 models for lynx pose estimation and using image augmentation techniques to achieve better performance. The results are evaluated using the mean average precision and the percentage of correct predictions and also visualized on images from the Lynx-Pose dataset.
Seznamte se s problematikou odhadu pózy zvířat se zaměřením se na metody hlubokého učení.
Popište existující databáze určené k odhadu pózy zvířat.
Pomocí knihovny MMPose dotrénujte vhodné předtrénované modely na interní databázi rysů.
Vyhodnoďte a porovnejte výsledky všech testovaných metod.
Zásady pro vypracování
Seznamte se s problematikou odhadu pózy zvířat se zaměřením se na metody hlubokého učení.
Popište existující databáze určené k odhadu pózy zvířat.
Pomocí knihovny MMPose dotrénujte vhodné předtrénované modely na interní databázi rysů.
Vyhodnoďte a porovnejte výsledky všech testovaných metod.
Seznam doporučené literatury
Jiang, Le, et al. "Animal pose estimation: A closer look at the state-of-the-art, existing gaps and opportunities." Computer Vision and Image Understanding (2022): 103483.
Jiang, Le, et al. "Animal pose estimation: A closer look at the state-of-the-art, existing gaps and opportunities." Computer Vision and Image Understanding (2022): 103483.
Úloha estimace pózy - detekce pozice a orientace pohybu,
Neuronové sítě pro estimaci pózy,
Metrika vyhodnocení,
Experimenty a dosažené výsledky,
Augmentace dat,
Závěr
Demo - Ukázka webové aplikace
Jaká verze OKS metriky byla použita při vyhodnocení experimentů? Jaké konkrétní hodnoty kappa, pro jednotlivé klouby byly použity při výpočtu zvoleného OKS?
Jak byla řešena problematika dat získaných pomocí infračerveného přísvitu?
Proč nebyl proveden experiment se všemi zmíněnými třídami augmentací?
Je časově náročnější augmentace dat nebo trénování sítě?