In this thesis ConvNets are used to localize wooden knots in images.The method is compared with a previous method using Kernel SVM with HOG descriptors. The new method is found to work better (F1-score 0.760 vs 0.695). The best performance is achieved by fine-tuning an ImageNet classifier for this domain. The number of negative examples is found to be important, as well as the manner in which mean subtraction is done.

I den här masteruppsatsen används faltande neurala nätverk för att lokalisera kvistar i bilder. Metoden jämförs med en tidigare använd metodbaserad på Kernel SVM med HOG-deskriptorer. Den nya metoden fungerar bättre (F1-score 0.760 vs 0.695). Bäst resultat fås när en klassificerare för ImageNet finjusteras för detta område. Antalet negativa exempel och de exakta detaljerna kring hur medelvärdessubtraktionen sker är viktiga för prestandan.