Efficient implementation of deep neural networks

Abstract

In recent years, algorithms in the area of object detection have constantly been improving. The success of these algorithms has reached a level, where much of the development is focused on increasing speed at the expense of accuracy. As a result of recent improvements in the area of deep learning and new hardware architectures optimized for deep learning models, it is possible to detect objects in an image several hundreds times per second using only embedded and mobile devices. The main objective of this thesis is to study and summarize the most important methods in the area of effective object detection and apply them to a given real-world problem. By using state-of- the-art methods, we developed a traction-by-detection algorithm, which is based on our own object detection models that track transport vehicles in real-time using embedded and mobile devices. 1

V posledných rokoch sa algoritmy v oblasti rozpoznávania obrazu založené na hlbokých neurónových sieťach neustále zlepšujú. Úspešnosť týchto algorit- mov dosiahla dokonca takú hranicu, že časť vývoja začala byť zameraná na zvýšenie ich rýchlosti na úkor presnosti. Vďaka najmodernejším pokrokom v oblasti hlbokého učenia a nového hardvéru optimalizovaného pre hlboké ne- urónové siete, je dnes možné detekovať objekty v obraze rýchlosťou viac než stokrát za sekundu s použitím mobilných zariadení. Hlavný cieľ tejto práce je naštudovať a zhrnúť významné metódy v oblasti efektívneho detekovania objektov v obraze a pomocou týchto metód ďalej aplikovať riešenie na daný problém. S použitím najnovších metód sme vyvinuli trakovací algoritmus za- ložený na našich vlastných modeloch na sledovanie vozidiel v reálnom čase za použitia mobilných zariadení. 1