docs: fix typos

kirill-push · Dec 13, 2023 · b9eb0f1 · b9eb0f1
1 parent cab998c
commit b9eb0f1
Show file tree

Hide file tree

Showing 2 changed files with 8 additions and 4 deletions.
diff --git a/REPORT_eng.md b/REPORT_eng.md
@@ -5,7 +5,7 @@
 ### a. Final Results on Test and Training Sets
 
 - **Overall Results:** 
-  [Object Detector Model](#object-detector-+-Threshold-bruteforce-for-Intersection-with-Polygon:)
+  [Object Detector Model](#object-detector-and-Threshold-bruteforce-for-Intersection-with-Polygon:)
   - **F1 Score:** 0.759
   - **Recall:** 0.961
   - **Precision:** 0.628
@@ -57,7 +57,7 @@ python object_detection_task/metrics/calculate_metrics.py -v resources/videos/vi
 
 #### **Baseline (Brightness Variance):**
 Explored as a baseline approach. Frames cropped closer to the size of the polygon are converted into brightness variances. Then, for each video, results are normalized to the standard average and a threshold is chosen that maximizes the F1 metric. This approach was chosen for its simplicity and quick implementation, but it was less effective than the detector algorithm.
-#### **Object Detector + Threshold bruteforce for Intersection with Polygon:**
+#### **Object Detector and Threshold bruteforce for Intersection with Polygon:**
 Using a pre-trained detector, objects are found in each frame. Then, the relative areas of intersection of each object's bounding box with the polygon are calculated. Thresholds for the relative area and the detector's confidence in the found object are then selected. Thresholds are chosen based on the maximum F1 metric. YOLOv5 was chosen as the detector for its simplicity and high efficiency.
 
 ### c. Github repository with python code which process video

diff --git a/REPORT_ru.md b/REPORT_ru.md
@@ -5,10 +5,12 @@
 ### a. Финальные результаты на тестовой и тренировочной выборке
 
 - **Рзультаты основного алгоритма :**
-  [Object Detector Model](#object-detector-+-перебор-порогов-на-пересечение-с-полигоном:)
+  [Object Detector Model](#object-detector-и-перебор-порогов-на-пересечение-с-полигоном:)
+
   - **F1 Score:** 0.759
   - **Recall:** 0.961
   - **Precision:** 0.628
+
   [Detector Metrics file](resources/detector_metrics_test.json)
 
 - **Результаты по Отдельным Видео:**
@@ -18,9 +20,11 @@
 
 - **Результаты Бейзлайнового Метода:**
   [Baseline model](#Бейзлайн-(Дисперсия-Яркости):)
+
   - **F1 Score:** 0.616
   - **Recall:** 0.690
   - **Precision:** 0.557
+
   [Baseline Metrics file](resources/baseline_metrics_test.json)
 
 ### Интерпретация Результатов
@@ -57,7 +61,7 @@ python object_detection_task/metrics/calculate_metrics.py -v resources/videos/vi
 
 #### **Бейзлайн (Дисперсия Яркости):** 
 Исследована как бейзлайновый подход. Обрезанные ближе к размерам полигона кадры преобразуются в дисперсии яркости. Далее для каждого видео результаты нормируются к стандартному среднему и выбирается порог, который максимизирует F1 метрику. Данный подход был выбран за свою простоту и быструю реализацию, но он показал эффективность хуже, чем алгоритм с детектором.
-#### **Object Detector + перебор порогов на пересечение с полигоном:** 
+#### **Object Detector и перебор порогов на пересечение с полигоном:** 
 С помощью предобученного детектора на каждом кадре находятся объекты. После этого считаются относительные площади пересечения каждого Bounding Box объекта с полигоном. После этого перебором выбираются пороги для относительной площади и величины уверенности детектора в найденном объекте. Выбираются пороги по максимальной F1 метрике. В качестве детектора была выбрана YOLOv5 за простоту и высокую эффективность.
 
 ### c. Репозиторий Github с кодом на python, который обрабатывает видео