Detekcija semafora i analiza lica

Oslonjeni na principe strojnog učenja, algoritmi računalnog vida danas su temelj brzo rastućih industrija poput autonomne vožnje i analize lica. Kako povezati teoretske rezultate i praktičnu primjenu u tim područjima, imat ćemo prilike saznati u okviru ovoga meetupa. Pozivamo vas da nam se pridružite na prezentacijama i druženju u prostorijama tvrtke Visage Technologies - domaćina i pokrovitelja ovoga meetupa, 11. listopada u 18h. Kako ne bismo ostali gladni i žedni, nakon prezentacija ćemo druženje nastaviti uz pića i pizze.

Nešto detaljnije o temama prezentacija:

1 - Detekcija semafora uporabom kaskadnih klasifikatora
dr. sc. Dijana Vitas, R&D engineer at Visage Technologies

Autonomna vozila su vozila koja sadrze senzore za snimanje okoline te se mogu kretati bez (puno) ljudske interakcije. Obično uključuju razne tehnike za percepciju okoline kao sto su radari, laseri, GPS sustavi te razne vrste kamera. Napredni sustavi kontrole zatim obrađuju informacije sa senzora te određuju putanju vozila izbjegavajuci prepreke. Jedna od ključnih komponenata autonomnog vozila je kamera s funkcionalnošću obrade slike s ciljem prepoznavanja objekata poput vozila, pješaka, semafora, linija na cesti, i sl. Fokus ovog predavanja je detekcija i praćenje semafora kroz postupak treniranja kaskadnih klasifikatora. Posebno će se istaknuti postupak treniranja i utjecaj kvalitete podataka na uspješnost detekcije te analizirati performase sustava u različitim uvjetima.

2 - Učinkovita analiza lica upotrebom stabala odlučivanja i neuronskih
mreža
Ivan Gogić, Director of R&D at Visage Technologies

Analiza lica sastoji se od algoritama za izlučivanje različitih informacija iz slika i videa ljudskog lica uključujući pronalazak lica i njegovih karakterističnih točaka, prepoznavanje izraza lica i određivanje smjera pogleda. Primjena takvih algoritama mora biti brza i točna kako bi se mogli izvoditi u okruženjima s ograničenim računalnim sredstvima u stvarnom vremenu. Fokus prezentacije je algoritam koji ujedinjuje brzinu izvođenja i preciznost, a koristi podupirana stabla odlučivanja i neuronske mreže. Stabla odlučivanja trenirana su da izlučuju značajke visoke razlučivosti za pojedini zadatak koje se naknadno koriste za treniranje neuronskih mreža. Izvođenje inferencije je iznimno učinkovito zbog jednostavnosti stabala odlučivanja te zbog prorijeđene i binarne prirode vektora značajki. Sposobnost prilagođavanja postupka izlučivanja vektora značajki problemu osigurava visoku preciznost algoritma.