| Student: | Nikolai De Boeck |
|---|---|
| Richting: | Master of Science in de industriële wetenschappen: informatica |
| Abstract: | Het monitoren van beelden is een arbeidsintensieve job. Over de afgelopen jaren heeft de computervisie dit probleem proberen oplossen. Meestal ging men uit van ‘pose estimation’ maar sinds het opkomen van deep learning met Convolutional neuraal netwerken kan de methodiek verbeterd worden. Met deze thesis tracht men door aanpassingen te maken aan het state of the art netwerk, het tweestromennetwerk, om het te verbeteren. Eerst wordt de beste architectuur uit de verschillende mogelijkheden gekozen. Daarna wordt er een background subtraction vervangen, alsook enkele activatiefuncties en gekeken naar het effect. Vervolgens worden alle getrainde modellen geanalyseerd op verschillende situaties om hieruit het beste netwerk te bepalen. Tot slot wordt de applicatie eveneens getest op verschillende video's |
| Abstract (Eng): | Monitoring images is a labor-intensive job. Over the past few years, computer vision has attempted to solve this problem. Usually, ‘pose estimation’ was presumed to be the best method, but since the advent of deep learning with Convolutional neural networks, we learned this method can be improved. This thesis serves as an attempt to improve the state-of-the-art network, the two-stream network, by making adjustments. First off, the best architecture is selected from various options. Subsequently, a background subtraction is replaced, as well as some activation functions. This effect is studied. Hereafter, all trained models are analyzed for different situations in order to determine the best network. Finally, the application is also tested on various videos. |