Object Detection in Skijumping

Abstract

I løpet av de siste årene har kunstig intelligens og spesielt dyp læring mottatt en voldsom økning av oppmerksomhet. Dette har i kombinasjon med stadig kraftigere maskinvare og lettere tilgang på store datamengder ført til nye muligheter med tanke p ̊a ̊a anvende dyp læring til den virkelige verden. Ved ̊a utnytte nylige fremskritt innen dyp læring forsøker denne masteroppgaven å utvelge to kandidat nettverk for objekt deteksjon. Nettverkene blir s ̊a trent på gjenkjenning av skihoppere før videre undersøkelser prøver å finne ut av hvilket av kandidat nettverkene som er best egnet til dette formålet.

During the recent years, the field of Deep Learning has gained an immense amount of attention. This has, in combination with more powerfull computational power and access to big datasets, opened new doors for applying deep learning based solutions into the real world. Taking advantage of recent breaktroughs in Deep learning, this thesis selects and compares two state-of-the-art models for object detection to determine the most suitable model for detecting ski jumpers. As a starting point, a dataset consisting of over 5000 annotated ski jumpers has been provided to the project.