|
|
Podpora tvorby map pomocí metod zpracování obrazu
Jaroš, Ján ; Herman, David (oponent) ; Váňa, Jan (vedoucí práce)
Tato bakalářská práce se zabývá metodami detekce vybraných objektů ve videu a importováním těchto objektů do centrální databáze OpenStreetMap na základě jejich geografické poloze. Zaměřena je z velké části na rozpoznávání dopravních značek. První část stručně popisuje některé nejpoužívanější metody a samotný projekt OpenStreetMap. V nasledujících kapitolách je uveden podrobnější přehled použitých metod navrhnutého systému, jeho implementace a testování. Závěr obsahuje zhodnocení celé práce a jsou zde uvedené možné rozšíření.
|
|
|
Příprava trénovacích dat pomocí generativních neuronových sítí
Ševčík, Pavel ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
|
|
|
SMART CAR: detekce dopravních značek
Brzoza, Martin ; Motlíček, Petr (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato bakalářská práce se zabývá známými postupy detekce dopravních značek ve video sekvenci. Z úvodu se věnuje jejich popsání a vytyčení hlavních výhod a nevýhod s ohledem na rychlost zpracování a přesnosti detekce. V dalších kapitolách je pak navržen kompletní systém pro detekci a klasifikaci dopravních značek. V závěru je tento systém otestován na vytvořené testovací sadě dat a zhodnoceny výsledky experimentů. Práce je zaměřena na metodu Template Matching pro klasifikaci a model hodnocení barevného vzhledu CieCam97, pro hledání kandidátních oblastí.
|
|
|
Analýza záznamu palubní kamery automobilu
Kadeřábek, Jan ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Práce se zabývá analýzou záznamu palubní kamery automobilu. Při zpracování záznamů probíhá detekce zákazových dopravních značek, následná klasifikace konkrétního typu dopravní značky a případné určení hodnoty rychlostního limitu. Ze zpracovaných informací se pokouší vytvořit výsledný soubor, který zahrnuje unikátní výskyty dopravních značek včetně jejich GPS souřadnic. Za účelem detekce a rozpoznání dopravních značek jsou vytvořeny potřebné datové sady. Jako detektor je použit kaskádový klasifikátor s příznaky LBP. Klasifikace typu a hodnot dopravních značek je prováděna pomocí klasifikační metody k-Nearest Neigbour.
|
|
|
Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek
Glos, Michal ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce bylo rozšíření datové sady pro detekci dopravních značek. K řešení byly použity generativní neuronové sítě typu PatchGAN a Wasserstein GAN, kombinující architektury DenseNet a U-Net. Modely byly navrženy k syntéze snímků reálně vypadajících dopravních značek z obrázků jejich norem. Model pro detekci objektů typu SSD, natrénován pouze na syntetických datech, dosáhl přesnosti 59.6 % mAP, což je o 9.4 % lepší výsledek oproti referenčnímu modelu, natrénovaném pouze na původních datech. V případě natrénování modelu na kombinaci syntetických a původních dat, dosáhl SSD model přesnosti až 80.1 % mAP.
|
|
|
Návrh detektoru dopravních značek pomocí metod zpracování obrazu
Šmíd, Josef ; Adámek, Roman (oponent) ; Věchet, Stanislav (vedoucí práce)
Tato diplomová práce se zabývá návrhem detektoru dopravních značek pomocí metod zpracování obrazu. K tomu je využita knihovna OpenCV pro práci s obrazem v programovacím jazyce Python. První část se zabývá rešerší o používaných metodách. V další části jsou tyto metody testovány na nasbíraných snímcích dopravních značek v běžném denním provozu při různém nasvícení. Z výsledků testů byly navrženy optimální metody a jejich nastavení, které se následně opět ověřily na videozáznamech jízdy vozidlem. Tím se zároveň zjistilo, za jakých podmínek jsou schopny fungovat v real-time systémech. Na závěr byl ze sledování průběhů detekce navržen optimalizační algoritmus pro kompenzaci chyb v detekci.
|
|
|
Detekce a rozpoznání dopravních značek v obraze
Vránsky, Radovan ; Beran, Vítězslav (oponent) ; Herout, Adam (vedoucí práce)
Tato bakalářská práce se zabývá různými metodami detekce a rozpoznání dopravních značek v obraze. V úvodě jsou různé z těchto metod popsané a je ukázané jejich využití v praxi. V další části je podrobně popsaná implementace aplikace na detekci a rozpoznani dopravních značek v obraze s využitím Support Vector Machine. Také je tu popsaný způsob vytváření datové sady či různých modelů popisujících tuto sadu. V závěru je potom celá metoda zhodnocená.
|
|
|
Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek
Glos, Michal ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce bylo rozšíření datové sady pro detekci dopravních značek. K řešení byly použity generativní neuronové sítě typu PatchGAN a Wasserstein GAN, kombinující architektury DenseNet a U-Net. Modely byly navrženy k syntéze snímků reálně vypadajících dopravních značek z obrázků jejich norem. Model pro detekci objektů typu SSD, natrénován pouze na syntetických datech, dosáhl přesnosti 59.6 % mAP, což je o 9.4 % lepší výsledek oproti referenčnímu modelu, natrénovaném pouze na původních datech. V případě natrénování modelu na kombinaci syntetických a původních dat, dosáhl SSD model přesnosti až 80.1 % mAP.
|
|
|
Návrh detektoru dopravních značek pomocí metod zpracování obrazu
Šmíd, Josef ; Adámek, Roman (oponent) ; Věchet, Stanislav (vedoucí práce)
Tato diplomová práce se zabývá návrhem detektoru dopravních značek pomocí metod zpracování obrazu. K tomu je využita knihovna OpenCV pro práci s obrazem v programovacím jazyce Python. První část se zabývá rešerší o používaných metodách. V další části jsou tyto metody testovány na nasbíraných snímcích dopravních značek v běžném denním provozu při různém nasvícení. Z výsledků testů byly navrženy optimální metody a jejich nastavení, které se následně opět ověřily na videozáznamech jízdy vozidlem. Tím se zároveň zjistilo, za jakých podmínek jsou schopny fungovat v real-time systémech. Na závěr byl ze sledování průběhů detekce navržen optimalizační algoritmus pro kompenzaci chyb v detekci.
|
|
|
Příprava trénovacích dat pomocí generativních neuronových sítí
Ševčík, Pavel ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
|
host ::
RSS.