The project goal is to count and detect instances in an image using deep learning. We target the regime where object detectors need to work reliably in scenarios with crowding, overlapping or instances with a small size. To estimate the objects, two approaches have been used: counting-by-detections and counting- by-density-estimation. We concluded that objects could be rated simply, accurately and efficiently using a counting system and a classification model. To support this statement, we compare different experi- ments using different FCNs. Finally, we propose a quantitative and qualitative method, to evaluate the network. The results are demonstrated on a variety of visual material, including graphs, microscopy and density images.

El objetivo del proyecto es contar y detectar instancias en una imagen mediante el aprendizaje profundo. Nuestro objetivo es un entorno en el que los detectores de objetos deben trabajar de manera correcta en escenarios abarrotados, con superposiciones o instancias con un tamaño pequeño. Para estimar los objetos, se han utilizado dos enfoques: recuento por detección y recuento por estimación de densidad. Concluimos que los objetos pueden clasificarse de manera simple, precisa y eficiente uti- lizando un sistema de conteo y un modelo de clasificación. Para apoyar esta afirmación, comparamos diferentes experimentos usando diferentes FCN. Finalmente, proponemos un método cuantitativo y cualitativo para evaluar la red. Los resul- tados se demuestran en una variedad de material visual, incluidos gráficos, microscopía e imágenes de densidad.

L'objectiu del projecte és explicar i detectar instàncies en una imatge mitjançant l'aprenentatge profund. El nostre objectiu és un entorn en el qual els detectors d'objectes han de treballar de manera correcta en escenaris abarrotats, amb superposicions o instàncies amb una mida petita. Per estimar els objectes, s'han utilitzat dos enfocaments: recompte per detecció i recompte per estimació de densitat. Concloem que els objectes poden classificar-se de manera simple, precisa i eficient utilitzant un sistema de detecció i un model de classificació. Per donar suport a aquesta afirmació, comparem diferents experiments utilitzant diferents FCN. Finalment, proposem un mètode quantitatiu i qualitatiu per avaluar la xarxa. Els resultats es demostren en una varietat de material visual, incloent gràfics, microscòpia i imatges de densitat.