|
|
Detekce objektů na GPU
Jurák, Martin ; Hradiš, Michal (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce je zaměřena na akceleraci detekce objektů v obraze metodou Random Forest. Detektor Random Forest se skládá ze souboru náhodných rozhodovacích stromů, které jsou na sobě nezávisle vyhodnocovány, čehož lze využít pro akceleraci na grafické jednotce. Vývoj a zvyšování výkonu grafických procesorů umožnilo použití GPU pro masivně paralelní obecné výpočty (GPGPU). Cílem této práce je popsat způsob implementace metody Random Forest na GPU s využitím standardu OpenCL.
|
|
|
Aplikace algoritmu AdaBoost
Wrhel, Vladimír ; Šilhavá, Jana (oponent) ; Hradiš, Michal (vedoucí práce)
V této práci jsou uvedeny základy klasifikace a rozpoznávání vzorů. Zaměříme se především na algoritmus AdaBoost, který slouží k vytvoření silné klasifikační funkce pomocí několika slabých klasifikátorů. Seznámíme se taktéž s některými modifikacemi AdaBoostu. Tyto modifikace zlepšují některé z vlastností AdaBoostu. Podíváme se taktéž na slabé klasifikátory a příznaky k nim použitelné. Zvláště se podíváme na Haarovy příznaky. Probereme možnosti použití zmíněných algoritmů a příznaků při rozpoznávání výrazu obličeje. Popíšeme si situaci mezi databázemi výrazů obličejů. Nastíníme možnou implementaci aplikace rozpoznávání výrazů obličeje.
|
|
|
Ruční snímací zařízení 3D objektů
Kukučka, Marek ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této bakálářské práce je implementovat metodu 3D rekonstrukce z dvojic snímků, pořízených pomocí zařízení, které se skládá ze dvou kamer. Byla zvolena metoda stereovize a výsledkem je sparse rekonstrukce snímaného objektu. Prvně je provedena kalibrace kamer a úprava získaných snímků. V další části hledámé korespondující klíčové body ve dvojici snímků. Po získání korespondujících bodů je provedena jejich triangulace. Pro triangulaci z více jak dvou po sobě jdoucích snímků je využíván přepočet projekční matice. V rámci práce je proveden experiment, jehož cílem je otestovat, zdali zrekonstruovaný objekt odpovídá svými rozměry reálnému světu.
|
|
|
Detekce a rozpoznání registrační značky vozidla pro analýzu dopravy
Černá, Tereza ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato diplomová práce se zabývá návrhem a vývojem systému pro detekci a rozpoznání registračních značek vozidel. Práce je rozdělena do tří základních částí: detekce registračních značek, nalezení pozic znaků, rozpoznání znaků. Pro účely práce byla pořízena nová datová sada, která obsahuje 2814 registračních značek pro účely trénování klasifikátorů a 2620 značek pro vyhodnocení úspěšnosti. Pro detekci registračních značek byl natrénován kaskádový klasifikátor, který dosahuje úspěšnosti až 97,8 %. Ve všech nalezených pozicích jsou vyhledány pozice znaků. Pokud nejsou nalezeny, pak daný výřez není registrační značkou. Úspěšnost detekce po nalezení všech pozic znaků je až 88,5 %. Rozpoznání znaků probíhá pomocí natrénovaného SVM klasifikátoru. Systém úspěšně rozpozná bez chyby až 97,7 % všech správně nalezených registračních značek.
|
|
|
Neuronové sítě pro autonomní řízení auta
Dopita, Marek ; Hradiš, Michal (oponent) ; Smrž, Pavel (vedoucí práce)
V této práci jsou představeny principy neuronových sítí se zaměřením na autonomní vozidla. Na těchto informacích je vytvořen návrh implementace systému, který umožňuje řídit automobil bez řidiče. Ten staví na základě nástrojů, které umožňují snadnou tvorbu a testování autonomních vozidel. Jde o CARLA simulátor a Leaderboard.Návrh rozděluje jízdní trasy vozidel do tří rozdílných situací. Každá situace vyžaduje využití jiných senzorů, proto je vytvořen specifický autonomní agent, který je schopen situaci rozpoznat a přepnout mezi různými návrhy neuronových sítí. Každá taková síť je specifická svými vstupy a je učena na konkrétní situaci.Jsou vytvořeny programy, které jsou schopny jednoduše za pomoci CARLA Leaderboard posbírat datovou sadu. Poté je představen způsob, jak lze posbíraná data rozdělit do kategorií tak, aby byla každá kategorie možná použít na učení její neuronové sítě.
|
|
|
WaldBoost na GPU
Polok, Lukáš ; Mikolov, Tomáš (oponent) ; Hradiš, Michal (vedoucí práce)
Rozpoznání obrazu a strojové vidění obecně je spolu s rozmachem levné a výkonné výpočetní techniky rychle se rozvíjejícím odvětvím. Rozpoznání obrazu má mnoho různých aplikací v širokém spektru odvětví, od komunikace přes bezpečnost až po zábavu. Algoritmy pro rozpoznání obrazu se stále vyvíjejí a většinou jsou výpočetně poměrně náročné, proto se mnoho autorů zabývá jejich implementací na specializovaných hardwarových akcelerátorech. Tato práce se zabývá implementací rozpoznání obrazu metodou WaldBoost na platformě grafických akcelerátorů (GPU).
|
|
|
Automatické označování obrázků
Sýkora, Michal ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá automatickým zařazováním obrázků do sémantických tříd na základě jejich obsahu. Hlavně různými způsoby klasifikace založenými na SVM. Hlavním cílem této práce je zlepšit přesnost klasifikace na velkých datových sadách. Práce se zabývá jak lineárními tak i nelineárními SVM klasifikátory a také možností použítí RBM pro transformaci příznaků pro lineární SVM klasifikátory. Dále jsou všechny tyto přístupy srovnány. Srovnává se nejen přesnost, ale i časová náročnost, využití zdrojů a možnosti budoucího pokračování ve výzkumu.
|
|
|
Interpretace konvolučních neuronových sítí
Kamenický, Daniel ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem práce bylo porovnání několika metod pro vizualizaci příznaků jednotlivé třídy na vstupní pixelové vrstvě CNN. Každá metoda využívá jiný algoritmus, založený na gradientech, pro výpočet výsledných hodnot. Pomocí implementace jednotlivých metod jsou získány výsledné hodnoty metod, které jsou pomocí rovnice koncentrace energie porovnány. Výsledné hodnoty jsou uvedeny v tabulkách a grafech z kterých lze vyčíst úspěšnost výsledku práce. Z práce lze vyčíst rozdíl mezi metodami a porovnání jejich výsledků. Díky tomu lze získat přehled o metodách vizualizace založených na gradientech.
|
|
|
Lokalizace mobilního robota v prostředí
Němec, Lukáš ; Hradiš, Michal (oponent) ; Veľas, Martin (vedoucí práce)
Tato práce se zabývá problémem lokalizace mobilního robota na základě aktuálních senzorických 2D a 3D dat a záznamů z minulosti. Především se zaměřuje na praktickou detekci smyček v trase robota. Cílem bylo zhodnotit současné metody zpracování obrazu a hloubkových dat se zaměřením na problematiku lokalizace v prostředí. Práce se zabývá využitím modelu Bag of Words pro zpracování 2D dat a metodu Viewpoint Feature Histogram v prostředí mračna bodů pro 3D data. Návrh systému byl v práci realizován a byly na něm prováděny experimenty.
|
|
|
Algorithmic Accompaniment Composition
Vinš, Jakub ; Hradiš, Michal (oponent) ; Kolář, Martin (vedoucí práce)
This thesis deals with problems of computer music, especially with generating accompaniment to an existing song in MIDI format by means of artificial neural networks. Existing methods of algorithmic music composition are presented in the beginning. Followed by problems and their solutions connected with the conversion of MIDI files to matrices, which are suitable as an input for neural network and their inverse transformation. Subsequently are proposed, created, optimized and evaluated models which generate saxophone and piano accompaniment by means of feedforward and recurrent neural network. At the end model generates accompaniment to my own song as a form of a test.
|
host ::
RSS.