|
|
Realistická krajina s vegetací
Zelený, Jan ; Jošth, Radovan (oponent) ; Hradiš, Michal (vedoucí práce)
V dnešní době již grafický výkon počítačů stačí na mnohem více než jen strohé interiéry a může nabídnout velmi realistické zobrazení krajiny a vegetace na ní. Spolu s tím se objevují čím dál sofistikovanější metody pro generování takové krajiny a simulaci ekosystému rostlin, které na ni žijí. Tato práce popisuje mnohé z algoritmů pro generování i metod pro interaktivní vykreslování krajiny a vegetace.
|
|
|
Generování obrazu pomocí konvolučních neuronových sítí
Kohút, Jan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Tato bakalářská práce se zabývá navržením a analýzou konvolučních neuronových sítí generujících obrázky znaků na základě jejich parametrů. Parametry znaků jsou typ znaku, font, barva znaku, barva pozadí, translace a rotace. Neuronové sítě si vytvořily mnohorozměrnou reprezentaci jednotlivých parametrů. V rámci těchto reprezentací existují podobné vztahy jako v rámci samotných parametrů. Neuronové sítě generují znaky s novými hodnotami prametrů na základě interpolace mezi naučenými hodnotami parametrů. Neuronové sítě jsou schopné generalizace problému generování obrazu.
|
|
|
Rozpoznávání historických textů pomocí hlubokých neuronových sítí
Macurová, Nela ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním historických textů pomocí hlubokých neuronových sítí, konkrétně rozpoznáváním jednotlivých slov v gotickém písmu v českém jazyce. Je zde vytvořen obecný přehled o konvolučních sítích a metodách rozpoznávání textu. Byl vytvořen dataset, který se skládá z reálných i generovaných dat. Síť byla trénovná na generovaných datech a testována na reálných obrázcích slov. Tato navrhovaná metoda klasifikace slov, nebyla moc úspěšná, kvůli rozdílným testovacím a~trénovacím datům.
|
|
|
Identifikace chodců
Jurča, Jan ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá identifikací osob z videa na základě rozpoznání postavy, obličeje a chůze. Pro rozpoznání postavy a chůze jsou využity předtrénované sítě. Zatímco k rozpoznání chůze je v rámci práce implementováno a srovnáno několik architektur sítí. Finální rozpoznání chodce probíhá na základě multimodální fůze realizované neuronovou sítí. Pro účely práce byl vytvořen vlastní dataset, zároveň se sadou nástrojů umožňující jeho téměř automatickou tvorbu.
|
|
|
Hluboké neuronové sítě pro rozpoznání tváří ve videu
Mihalčin, Tomáš ; Sochor, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Táto diplomová práca sa zameriava na rozpoznanie tvári z videa, konkrétne na spôsob agregácie príznakových vektorov, do jedného diskriminatívneho vektora, tiež nazývaného šablóna. Skúma problém extrémne natočených tvárí, vzhľadom na presnosť verifikácie. Ďalej, porovnáva vzťah medzi šablónami tvorenými vektormi extrahovanými zo snímkov z videa a vektormi z fotografií. Navrhnutá hypotéza je testovaná pomocou dvoch hlbokých konvolučných neurónových sietí a to so známym modelom VGG-16 siete a modelom siete nazývanej Fingera, poskytnutej od firmy Innovatrics. V rámci práce, bolo vykonaných niekoľko experimentov, ktorých výsledky potvrdzujú úspešnosť navrhnutého postupu. Ako metrika presnosti bola zvolená ROC krivka. K práci s neurónovými sieťami bol použitý framework Caffe.
|
|
|
Aktivní učení s neuronovými sítěmi
Bureš, Tomáš ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Práce se věnuje problematice aktivního učení a jeho spojení s neuronovými sítěmi. Nejprve obsahuje úvod do problematiky, nastínění metod prozkoumaných metod aktivního učení. Následuje praktická část s experimenty zkoumající jednotlivé strategie a jejich vyhodnocování.
|
|
|
Automatické vyhodnocení záznamu cílové kamery
Jahoda, Vojtěch ; Zemčík, Pavel (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce řeší automatizaci vyhodnocování cílové fotografie v atletice. Detekce závodníků na cílové fotografii byla provedena pomocí knihovny OpenPose. Následně byla provedena segmentace pozadí závodníka pro odstranění šumu a ořez pro jednotlivé závodníky. Samotné vyhodnocení je řešeno pomocí regresní konvoluční neuronové sítě. Při detekci postav na fotografii bylo dosaženo přesnosti 70.94% a 89.28% vyhodnocených záznamů dosáhlo přesnosti do 10 ms. Hlavní přínos této práce je pro začínající cílové rozhodčí, neboť bude mít jíž předem k dispozici vyhodnocený cílový záznam, který mu ušetří čas. Dalším využitím je možnost pro trenéry a závodníky, kteří si budou mocí ověřit vyhodnocené záznamy.
|
|
|
Zvyšování konzistence v datových sadách pro rozpoznávání textu
Tvarožný, Matúš ; Hradiš, Michal (oponent) ; Kišš, Martin (vedoucí práce)
Táto práca sa zaoberá zvyšovaním konzistencie dátových sád pre rozpoznávanie textu. V tejto práci sú popísane problémy, ktoré nekonzistenciu spôsobujú a následne sú predstavené riešenia na jej odstránenie. Skúmaný je vplyv vlastností polygónov definujúcich ohraničenie riadkov a teda to ako upravená verzia dátovej sady, ktorá je zložená z ideálnych variant riadkov ovplyvnila presnosť modelu. Ďalej sa práca zameriava na detekciu a následné odstránenie alebo upravenie riadkov, ktorých prepis ground truth nekorešponduje so skutočným textom, ktorý sa na nich nachádza. Experimentovaním sa ukázalo, že odstránenie vizuálnej nekonzistencie na trénovacej sade nemá zásadný vplyv na natrénovanosť modelu, za to poupravením testovacej sady sa presnosť OCR modelu zlepšila o 1.1\% CER. Upravením dátovej sady tak, aby neobsahovala navzájom nekonzistentné dvojice rozpoznávaného textu a príslušnej ground truth, sa model po opätovnom natrénovaní zlepšil maximálne len o 0.2\% CER. Hlavným zistením tejto práce je predovšetkým preukázaný priaznivý účinok odstránenia nekonzistencie na testovacích sadách, vďaka ktorému je možné zistiť reálnejšiu chybovosť OCR modelu.
|
|
|
Rozpoznávání hudebních stylů
Behúň, Kamil ; Polok, Lukáš (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá rozpoznáváním hudebních stylů. V úvodu je přehled aktuálních metod používaných při rozpoznávání hudebních stylů. Další kapitoly jsou věnovány vytvořenému systému pro rozpoznávání hudebních stylů. Výsledný systém obsahuje dvě metody extrakce příznaků. První využívá extrakci Mel-frekvenčních kepstrálních koeficientů z~nahrávek a~druhá extrakci příznaků ze spektrogramu nahrávek. Pro klasifikaci výsledný systém využívá Support Vector Machine.
|
|
|
Rozpoznání obličeje
Kopřiva, Adam ; Hradiš, Michal (oponent) ; Chmelař, Petr (vedoucí práce)
Tato diplomová práce se věnuje metodám pro rozpoznání obličeje. Popisuje metody založené na různém přístupu: znalostní metody, metody založené na rysech tváře, metody založené na modelech a metody založené na vzhledu tváře. Nejvíce se však zaměřuje na metody deformačních modelů a statistické methody, kterými jsou analýza hlavních komponent (PCA) a lineární diskriminační analýza (LDA). Podrobně popisuje princip metod deformačních modelů jako je metoda active shape models (ASM) a metoda active appearance models (AAM).
|
host ::
RSS.