Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
OpenTalks.AI - Дмитрий Пагин, Fast cars detecti...
Search
OpenTalks.AI
February 21, 2020
Science
0
2.1k
OpenTalks.AI - Дмитрий Пагин, Fast cars detection and traffic estimation
OpenTalks.AI
February 21, 2020
Tweet
Share
More Decks by OpenTalks.AI
See All by OpenTalks.AI
OpenTalks.AI - Виктор Лемпицкий, Моделирование 3Д сцен: новые подходы в 2020 году
opentalks
0
480
OpenTalks.AI - Алексей Чернявский, Нейросетевые алгоритмы для повышения качества медицинских изображений
opentalks
0
430
OpenTalks.AI - Александр Громов, Устойчивость нейросетевых моделей при анализе КТ/НДКТ-исследований
opentalks
0
370
OpenTalks.AI - Денис Тимонин, Megatron-LM: Обучение мультимиллиардных LMs при помощи техники Model Parallelism
opentalks
0
500
OpenTalks.AI - Егор Филимонов, Возможности платформы Huawei Atlas и эффективный гетерогенный инференс.
opentalks
0
140
OpenTalks.AI - Александр Прозоров, Референсная архитектура робота сервисного центра в отраслях с изменчивыми бизнес-процессами
opentalks
0
370
OpenTalks.AI - Наталья Лукашевич, Анализ тональности по отношению к компании — с чем не справился BERT
opentalks
0
330
OpenTalks.AI - Константин Воронцов, Фейковые новости и другие типы потенциально опасного дискурса: типология, подходы, датасеты, соревнования
opentalks
0
430
OpenTalks.AI - Дмитрий Ветров, Фрактальность функции потерь, эффект двойного спуска и степенные законы в глубинном обучении - фрагменты одной мозаики
opentalks
0
470
Other Decks in Science
See All in Science
MCMCのR-hatは分散分析である
moricup
0
440
データベース10: 拡張実体関連モデル
trycycle
PRO
0
980
データベース15: ビッグデータ時代のデータベース
trycycle
PRO
0
350
統計的因果探索: 背景知識とデータにより因果仮説を探索する
sshimizu2006
4
1k
モンテカルロDCF法による事業価値の算出(モンテカルロ法とベイズモデリング) / Business Valuation Using Monte Carlo DCF Method (Monte Carlo Simulation and Bayesian Modeling)
ikuma_w
0
250
地表面抽出の方法であるSMRFについて紹介
kentaitakura
1
870
オンプレミス環境にKubernetesを構築する
koukimiura
0
350
AIによる科学の加速: 各領域での革新と共創の未来
masayamoriofficial
0
120
データマイニング - グラフデータと経路
trycycle
PRO
1
210
Quelles valorisations des logiciels vers le monde socio-économique dans un contexte de Science Ouverte ?
bluehats
1
500
データベース05: SQL(2/3) 結合質問
trycycle
PRO
0
800
ttl2html (RDF/Turtle to HTML)
masao
0
110
Featured
See All Featured
Art, The Web, and Tiny UX
lynnandtonic
303
21k
Large-scale JavaScript Application Architecture
addyosmani
513
110k
Site-Speed That Sticks
csswizardry
10
820
The Language of Interfaces
destraynor
161
25k
Faster Mobile Websites
deanohume
309
31k
The World Runs on Bad Software
bkeepers
PRO
70
11k
We Have a Design System, Now What?
morganepeng
53
7.8k
GitHub's CSS Performance
jonrohan
1032
460k
A Modern Web Designer's Workflow
chriscoyier
696
190k
Easily Structure & Communicate Ideas using Wireframe
afnizarnur
194
16k
The Power of CSS Pseudo Elements
geoffreycrofte
77
6k
Sharpening the Axe: The Primacy of Toolmaking
bcantrill
44
2.5k
Transcript
Fast cars detection and traffic estimation Dmitriy Pagin, ML and
CV developer
Task Road traffic analysis in Russia is manual. It takes
more than 8 hours for 15 minutes video today
Task • detect cars
Task • detect cars • track cars
Baseline - people tracking
Problems Cars: - faster (2 metres per frame!) - smaller
(10 px in minimal dimension) + more predictable movement
YOLOv2 - blinking - problems on small cars - problems
on edges
YOLOv2 1 fps
YOLOv3 - bigger + accurate on small + fullHD frame
+ robust
YOLOv3 7 fps
> 70k cars on 4k images Dataset
better than 1024x1024x1 Learning and Fine-tuning - 608x608 px -
batchSize = 3 - custom augmenters
None
Learning and Fine-tuning - 608x608 px - batchSize = 3
- custom augmenters - Radam optimizer (instead warmup + reduce LR) - Hard negative mining for trucks
Learning and Fine-tuning - 608x608 px - batchSize = 3
- custom augmenters - Radam optimizer (instead warmup + reduce LR) - Hard negative mining for trucks mAP75 = 0.96
Baseline Inference Speed 7 fps
Weights Pruning
Weights Pruning -25% convs = size: 240 mb mAp: 0.9656
inf: 150 ms size: 155 mb mAp: 0.9622 inf: 100 ms 10 fps
OpticalFlow step or classical cv is alive ! - find
good features to track - calculate sparse optical flow
OpticalFlow step 19 fps Calculation doesnt work for 3 consistent
frames
Speed extrapolation step - estimate speed as pixels/frame - extrapolate
next position 28 fps
Final pipeline 1 2 3 4 5 6 Update trajectories
4 5 6 step 1 step 2 Speed Extrapolation OpticalFlow YOLOv3 Detection Engine
1 fps -> 28 fps on FULLHD
Tracking - IoU - Color descriptor (it’s enough!)
Bridges! - Allowed zone by motion vector - Size overlap
- Color descriptor
Bridges! - Allowed zone by motion vector - Size overlap
- Color descriptor
Thanks! Questions?
[email protected]
+7 952 335 65 70
Appendix. Examples
Appendix. Examples
Appendix. Examples
Appendix. Yolov3
Weights Pruning Шаг mAP75 Число параметров, млн Размер сети, мб
От изначальной, % Время прогона, мс Условие обрезания 0 0.965 60 241 100 150 - 1 0.962 55 218 91 140 5% от всех 2 0.962 50 197 83 132 5% от всех 3 0.963 39 155 64 112 15% для слоев с 400+ сверток 4 0.955 31 124 51 100 10% для слоев с 100+ сверток
Appendix. Radam
Pruning convs
Pruning convs. Good choice 2000
Pruning convs. Bad choice 25
Pruning flat