Graph@FIT Submission to the NVIDIA AI City Challenge 2018
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26230%2F18%3APU130721" target="_blank" >RIV/00216305:26230/18:PU130721 - isvavai.cz</a>
Výsledek na webu
<a href="https://ieeexplore.ieee.org/document/8575345" target="_blank" >https://ieeexplore.ieee.org/document/8575345</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1109/CVPRW.2018.00018" target="_blank" >10.1109/CVPRW.2018.00018</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Graph@FIT Submission to the NVIDIA AI City Challenge 2018
Popis výsledku v původním jazyce
In our submission to the NVIDIA AI City Challenge, we address speed measurement of vehicles and vehicle re-identification. For both these tasks, we use a calibration method based on extracted vanishing points. We detect and track vehicles by a CNN-based detector and we construct 3D bounding boxes for all vehicles. For the speed measurement task, we estimate the speed from the movement of the bounding box in the 3D space using the calibration. Our approach to vehicle re-identification is based on extraction of visual features from "unpacked" images of the vehicles. The features are aggregated in temporal domain to obtain a single feature descriptor for the whole track. Furthermore, we utilize a validation network to improve the re-identification accuracy.
Název v anglickém jazyce
Graph@FIT Submission to the NVIDIA AI City Challenge 2018
Popis výsledku anglicky
In our submission to the NVIDIA AI City Challenge, we address speed measurement of vehicles and vehicle re-identification. For both these tasks, we use a calibration method based on extracted vanishing points. We detect and track vehicles by a CNN-based detector and we construct 3D bounding boxes for all vehicles. For the speed measurement task, we estimate the speed from the movement of the bounding box in the 3D space using the calibration. Our approach to vehicle re-identification is based on extraction of visual features from "unpacked" images of the vehicles. The features are aggregated in temporal domain to obtain a single feature descriptor for the whole track. Furthermore, we utilize a validation network to improve the re-identification accuracy.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2018
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
NVIDIA AI City Challenge 2018 (CVPRW)
ISBN
978-1-5386-6100-0
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
77-84
Název nakladatele
IEEE Computer Society
Místo vydání
Salt Lake City
Místo konání akce
Salt Lake City
Datum konání akce
18. 6. 2018
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000457636800011