Abstract The purpose of this Bachelor thesis has been to find a way to increase physical activity through the digitization of hiking trails. With information on interesting places around the hiking trail, we hope that this will enable people to get out on the hiking trails. Both to exercise but also to learn a little more about places in their vicinity. Through walking interviews, we have gathered data about the user's thoughts and ideas about the hiking trails. As well as studying UX design and HCI to see patterns of the user that can be applied in the product, to make our design more appealing and more user friendly. In our process, we have used Wireframe to get a common and visual image to work for. After that, we have worked with Extreme programming to work together and create the code for the design. Our result has grown into a demo application that is open to more features and other fields of use if desired. At the end of this work, new thoughts and ideas have also been brought to life, how the demo app could be used in other areas, such as in the archipelago and for educational purposes for children. Keywords Smartphone application, walking trails, points of interests, movement, hiking. / Abstrakt Detta kandidatarbetets syfte har varit att finna ett sätt att öka den fysiska aktiviteten genom digitalisering av vandringsleder. Med hjälp av information om intressanta platser runt om vandringsleden, hoppas vi att detta förmår folk att ta sig ut på vandringslederna. Både för att motionera men också för att lära sig lite mer om platser i sin närmiljö. Vi har genom promenadintervjuer samlat data om användarens tankar och ideér gällande vandringslederna. Samt studerat UX design och HCI för att kunna se mönster hos användaren som går att applicera i produkten, för att göra vår design mer tilltalande och mera användarvänlig. I vår process har vi använt oss av Wireframe för att få en gemensam och visuell bild att jobba efter. Därefter har vi jobbat med Extreme programming för att tillsammans arbeta fram koden till gestaltningen. Vårt resultat har vuxit fram till en demo-applikation som är öppen för fler funktioner och användningsområden om så önskas. I slutet av detta arbetet har även nya tankar och ideér väckts till liv, om hur demo-appen skulle kunna användas inom andra områden såsom i skärgården och i lärosyfte för barn. Nyckelord Mobilapplikation, Vandringsleder, Intressepunkter, Rörelse, Vandring.

This thesis investigates whether Computer Vision can be a useful tool in interpreting the behaviors of monitored horses. In recent years, research in the field of Computer Vision has primarily focused on people, where pose estimation and action recognition are popular research areas. The thesis presents a pose classification network, where input features are described by estimated 2D key- points of horse body parts. The network output classifies three poses: ’Head above the wither’, ’Head aligned with the wither’ and ’Head below the wither’. The 2D reconstructions of keypoints are obtained using DeepLabCut applied to raw video surveillance data of a single horse. The estimated keypoints are then fed into a Multi-layer preceptron, which is trained to classify the mentioned classes. The network shows promising results with good performance. We found label noise when we spot-checked random samples of predicted poses and comparing them to the ground truth, as some of the labeled data consisted of false ground truth samples. Despite this fact, the conclusion is that satisfactory results are achieved with our method. Particularly, the keypoint estimates were sufficient enough for these poses for the model to succeed to classify a hold-out set of poses. / Uppsatsen undersöker främst om datorseende kan vara ett användbart verktyg för att tolka beteendet hos övervakade hästar. Under de senaste åren har forskning inom datorseende främst fokuserat på människor, där pose-estimering och händelseigenkänning är populära forskningsområden. Denna avhandling presenterar ett poseklassificeringsnätverk där indata beskrivs av uppskattade 2Dnyckelpunkter (eller så kallade intressepunkter) för hästkroppsdelar. Nätverket klassificerar tre poser: ’Huvud ovanför manken’, ’Huvud i linje med manken’ och ’Huvudet nedanför manken’. 2D-rekonstruktioner av nyckelpunkter erhålls med hjälp av DeepLabCut, applicerad på rå videoövervakningsdata för en häst. De uppskattade nyckelpunkterna matas sedan in i ett flerskikts- preceptron, som tränas för att klassificera de nämnda klasserna. Nätverket visar lovande resultat med bra prestanda. Vi hittade brus i etiketterna vid slumpmässiga stickprover av förutspådda poser som jämfördes med sanna etiketter där några etiketter bestod av falska sanna etiketter. Trots detta är slutsatsen att tillfredsställande resultat uppnås med vår metod. Speciellt var de estimerade nyckelpunkterna tillräckliga för dessa poser för att nätverket skulle lyckas med att klassificera ett separat dataset av samma osedda poser.