|
|
Material picker: Material recognition in images using machine learning
Jurčák, Filip ; Vévoda, Petr (vedoucí práce) ; Šikudová, Elena (oponent)
Proces nastavování vlastností materiálu pro realistický vzhled po vyrenderování je obvykle únavný a často vyžaduje pečlivě nadobudnutou zručnost pro jemné doladění parametrů, protože různé kombinace těchto parametrů mohou produkovat různě vy- padající materiály. Pro zjednodušení tohoto procesu představujeme řešení problému přenosu textur vytvořením nástroje obsahujícího několik hlubokých neuronových sítí. Tyto sítě následně představují řešení pro inverzní renderování a segmentaci materiálu předpovídáním vnitřních charakteristik scény, jako je difuzní a lesklé albedo, povrchové normály, lesk, pohledový vektor, texturové souřadnice a segmentace, toto vše z jednoho snímku. Umělci mohou následně použít tyto odvozené vlastnosti ve svých reprezentací 3D scény a zkrátit tak čas potřebný k iteraci několika nápadů návrhů. Abychom tyto sítě trénovali, vygenerovali jsme vysoce kvalitní datovou sadu značné velikosti pomocí fyzicky založených technik, abychom zajistili dobrou generalizaci na obrázky z reálného světa. 1
|
|
|
6D pose estimation of objects in images
Cífka, Martin ; Šivic, Josef (vedoucí práce) ; Šikudová, Elena (oponent)
Odhad 6D polohy objektů je důležitou úlohou počítačového vidění s možným vyu- žitím například při robotické manipulaci, ale také v počítačové grafice a augmentované realitě. Cílem je odhadnout polohu známého objektu relativně vůči kameře, tedy 3D rotaci a 3D translaci, ze vstupního obrazu. Tento problém je ještě komplikovanější v ne- kontrolovaném prostředí, například v situacích, kdy neznáme správnou kalibraci kamery. V takovém případě je také nutné odhadnout ohniskovou vzdálenost kamery spolu s 6D polohou objektu. V této práci se věnujeme problémům metod pracujících v takových nekontrolovaných prostředích. V první části se konkrétně zaměřujeme na metodu FocalPose - state-of-the-art me- todu pro odhad 6D polohy objektu a ohniskové vzdálenosti kamery. Tuto metodu nejprve shrnujeme a poté navrhujeme několik vylepšení. Mezi ně patří: (i) odvození a vylepšení vzorce pro aktualizaci 6D polohy a ohniskové vzdálenosti, (ii) nahrazení metody pro vy- hledávání objektů v databázi 3D modelů, a (iii) změna distribuce 6D poloh a ohniskových vzdáleností používaných pro generování syntetických trénovacích dat. Tyto změny vedou k lepším výsledkům v porovnání s metodou FocalPose. Nevýhodou metod pro odhadování 6D poloh objektů je výpočetně velmi náročné tré- nování. Vyhnout se přetrénovávání pro nové objekty je možné s...
|
|
|
Kalibrace meteorologických webových kamer
Krsička, Ondřej ; Mirbauer, Martin (vedoucí práce) ; Šikudová, Elena (oponent)
Práce se zabývá kalibrací meteorologických webových kamer, která může sloužit k následnému trénování neuronových sítí pro tvorbu realistického osvětlení a generování realistických mraků na obloze do 3D scén. Je srovnána metoda kalibrace podle pozice slunce, podle vzhledu oblohy a pomocí neuronových sítí. První dvě metody jsou im- plementovány v Pythonu. Do metody kalibrace podle vzhledu oblohy je zakomponován sofistikovanější model oblohy a srovnán s původním modelem oblohy a s kalibrací podle pozice slunce. Kalibrace podle pozice slunce je nejúspěšnější, kalibrace původním mo- delem o něco méně. Sofistikovanější model oblohy způsobem použitým v práci kalibraci nezlepšuje a jsou navržena možná zlepšení. 1
|
|
| |
|
|
Generative neural networks for sky image outpainting
Mrázek, Matěj ; Šikudová, Elena (vedoucí práce) ; Mirbauer, Martin (oponent)
Dokreslování obrázků je úloha z oblasti generativní umělé inteligence, jejímž cílem je co nejrealističtěji rozšířit obrázek. Tato práce se snaží o vytvoření algoritmu využívajícího strojové učení, který bude schopen dokreslovat obrázek oblohy pomocí několika nových postupů z oboru. Natrénujeme tři modely, tokenizer pro převod obrázků na tokeny a zpět, maskovaný generativní transformer (MaskGIT), který je schopen dokreslovat tokeny, a super sampler, který umí zvětšit výsledný obrázek a přidat do něj detaily. Všechny modely natrénujeme čistě na obrázcích oblohy. Poté navrhneme postup, který zkombin- uje natrénované modely k dokreslování obrázků. Nakonec popíšeme výsledky každého z modelů i výsledného algoritmu. Náš přínos je hlavně dodání fungující, open-source im- plementace včetně natrénovaných modelů, která bude schopna řešit úlohu dokreslování obrázků oblohy. 1
|
|
|
Creating 3D Diorama from Single Image with Deep Learning
Vejbora, Martin ; Šikudová, Elena (vedoucí práce) ; Holeňa, Martin (oponent)
Cílem této práce je automatizovat proces generování 3D dioramatických scén z jedné fotky. Po rozsáhlé analýze stávajících přístupů jsme se rozhodli zkombinovat výstup modelů hlubokého učení pro panoptickou segmentaci a odhad hloubky. V průběhu práce jsme narazili na určitá omezení v modelu odhadujícím hloubku, která jsme vyřešili finetunováním na novém datasetu. Výsledné diorama konstruujeme tak, že rozdělíme objekty identifikované seg- mentací do samostatných obrázků s průhledným pozadím. Tyto obrázky pak umístíme do 3D scény tak, aby jejich vzájemná vzdálenost odpovídala odhad- nuté hloubce jednotlivých objektů. Naše řešení jsme implementovali formou add-onu pro Blender. Diplomová práce byla vypracována ve spolupráci s fir- mou polygoniq.
|
|
|
Decoding visual stimuli from cortical activity
Vašek, Vojtěch ; Antolík, Ján (vedoucí práce) ; Šikudová, Elena (oponent)
Cílem této práce je vyvinout model pomocí metod strojového učení, který dokáže dekódovat obrazové stimuly z kortikální aktivity v primární zrakové kůře (V1) a umožní tak lépe pochopit vztah mezi aktivitou V1 a zrakovým vnímá- ním. Vzhledem k omezené dostupnosti biologických dat je nutné použít k vy- tvoření trénovacích dat model "spiking"neuronové sítě oblasti V1. Pro genero- vání kvalitních obrazových stimulů budou zkoumány techniky strojového učení, zejména neuronové sítě. K trénování dekódovacích modelů budou použity stan- dardní ztrátové funkce a také diskriminační ztrátová funkce známá z trénování sítí typu GAN. Lineární regresní modely budou použity jako referenční. Mezi otázky, které budou řešeny patří hledání vhodného modelu pro dekódování, vliv počtu zaznamenávaných neuronů nebo prezentovaných podnětů, ztráta infor- mace v oblasti vysokých frekvencí obrazu a vliv vnitřního šumu v neuronech na rekonstrukci vizuálních podnětů. Tato práce přináší trénovatelnou konvoluční síť, která překonává jiné jednodušší modely, jako je lineární regrese. Ukazuje, že ztrátovou funkcí, která poskytuje nejlepší výsledky, je MSSSIM. Vnitřní šum v neuronech však rekonstrukci omezuje a rekonstruují se především nízké frek- vence obrazu. Pro dekódování je důležitá velikost souboru trénovacích dat a počet zaznamenaných...
|
|
|
Automatic analysis of squash straight drives accuracy from a single camera view
Veedla, Walter Herold ; Šikudová, Elena (vedoucí práce) ; Goliaš, Matúš (oponent)
Squash is a racket and ball sport with an estimated 20 million players worldwide. Compared to sports like tennis and golf, squash tracking and analysis systems are rela- tively underdeveloped and performance analysis is often done by manual instruction or by pencil-and-paper. While in the recent years more advanced squash specific technology has become available, it requires high-cost specialised hardware and does not capture the location of the bounce of the ball on the floor. This project attempts to tackle this gap of existing squash analysis tools by using computer vision techniques to automate the collection of shot data of a common squash training drill "straight drives", where the ball is being repeatedly hit parallel to a side-wall of the court. An analytics program is developed that can process a video file of a player performing the "straight drives" drill and produce accuracy metrics from the video. The result of this work is a computer program that allows an easy way for the user to get feedback from their training and track their progress. 1
|
|
|
Aplikace pro modelování budov z fotografií
Medek, Jakub ; Ježek, Pavel (vedoucí práce) ; Šikudová, Elena (oponent)
Název práce: Aplikace pro modelování budov z fotografií Autor: Jakub Medek Katedra: Katedra distribuovaných a spolehlivých systémů Vedoucí bakalářské práce: Mgr. Pavel Ježek, Ph.D., Katedra distribuovaných a spolehlivých systémů Abstrakt: Cílem této práce bylo naprogramovat Windows aplikaci na modelování objektů na základě jejich fotografií. Aplikace uživateli umožňuje vložit fotografie objektu a následně tvořit model ve dvou krocích. Nejdříve uživatel vytvoří kalibraci virtuální kamery pro každou fotografii a následně postupným kreslením hran a stěn do fotografie tvoří 3D mo- del. Aplikace umožňuje exportovat vytvořený model ve standardním formátu .obj včetně textur vygenerovaných z fotografií. Aplikace je napsaná ve frameworku .NET Core s grafickým frameworkem WPF, který se spolu s knihovnou Avalondock nachází na View vrstvě aplikace. Ve zbytku aplikace (ViewModel a Model vrstvy) se používají pouze multiplat- formní knihovny a aplikace tedy do budoucna umožňuje přepis na jiný grafický framework pro přenos na jiné operační systémy. Klíčová slova: .NET Core WPF 3D modelování Photo matching Projekce textur
|
|
|
Panorama z rovnoměrně rozložených obrázků
Douša, Marek ; Šikudová, Elena (vedoucí práce) ; Goliaš, Matúš (oponent)
Tato práce se věnuje problematice sešívání fotografií do panoramy dvěma způsoby - pomocí klíčových bodů a rovnoměrně rozložených fotografií. Je uveden matematický základ v podobě transformací, které se používají v obou přístupech, následně momentální prakticky monopolní přístup k sešívání a na závěr teoretické části je popsán přistup s rovnoměrným rozestavením obrázků, ke které je i demonstrativní program. Oba přístupy mají své výhody a nevýhody, na něž práce klade důraz. Bakalářská práce je koncipovaná tak, aby mohla sloužit jako odrazový můstek pro kohokoliv, kdo by rád nastudoval tématiku sešívání fotek do panoramat spolu s aktuálním stavem, který má své plusy a mínusy, aby se mohl čtenář vyvarovat slepým uličkám nebo případným překvapením v průběhu tvorby panoramat.
|
host ::
RSS.