|
|
Algoritmické řešení stanovení věku osoby na základě 2D fotografie za využití umělé inteligence
Bednář, Pavel ; Goldmann, Tomáš (oponent) ; Drahanský, Martin (vedoucí práce)
Automatizované určení věku člověka z fotky obličeje představuje jednu z výzev v oblasti umělé inteligence a strojového učení. Určit věk, je i pro člověka mnohdy netriviální záležitost, narozdíl od jiných biologických charakteristik, jako je určení pohlaví nebo rasové příslušnosti. Přitom informace o věku jedince je pro určité situace velmi podstatná. Například při spáchání nějakého přestupku či trestného činu o výši trestu spolurozhoduje právě věk. Dále tuto informaci lze využít při analýze zákazníků komerčního subjektu a následnému přizpůsobení nabídky. Cílem této práce je tedy umět z fotografie lidského obličeje extrahovat jeho věk. Algoritmus se skládá ze dvou modulů. Pokud první modul řekne, že je osoba mladší 14 let, půjde obrázek ještě do druhého modulu. Dále je představena ještě jedna verze algoritmu s přidaným modulem zaměřeným na vybrané obličejové rysy. Ve všech modulech se nad obrázkem provedou transformace, jejichž výsledky se zprůměrují. Na závěr je algoritmus vyhodnocen na standardních datasetech pro určení věku a porovnán s aktuálně používanými metodami v této oblasti.
|
|
|
Navádění pomocí kamery
Ficek, Dominik ; Honec, Peter (oponent) ; Richter, Miloslav (vedoucí práce)
Práce se zabývá stanovením pozice kamery vzhledem ke stanovenému systému souřadnic. Tento souřadnicový systém je dán polohou definovaných značek v prostoru. Jakožto zpětná vazba pro kontrolu správnosti stanovení pozice je zvoleno navádění kurzoru na monitoru. Cílem práce je navrhnout metody navádění kurzoru pomocí kamery pracující v reálném čase. V práci je popsána základní teorie zpracování obrazu, využití umělé inteligence v oblasti počítačového vidění a problematiky 3D rekonstrukce. Dále je uveden návrh dvou metod pro ovládání kurzoru pomocí jedné kamery. První metoda definuje pevný souřadnicový systém a pohybem kamery je realizováno navádění kurzoru. Druhá metoda pracuje s pohyblivým souřadnicovým systémem a pevně umístěnou kamerou. V práci je dále popsán proces realizace navržených metod, jejich zhodnocení a porovnání.
|
|
|
Využití akcelerátoru neuronových sítí na Raspberry PI
Barna, Kristian ; Sekanina, Lukáš (oponent) ; Vašíček, Zdeněk (vedoucí práce)
Predkladaná bakalárska práca sa zoberá štatistickým vyhodnotením výkonnosti hardwardového akcelerátora hĺbkových neurónových sieti. Opisuje Konvolučné neurónové siete spolu s matematickými výpočtami. Vysvetľuje ich akceleráciu a prevod do formátu vhodného pre akcelerátor Intel Movidius NCS. Experimentálne sa porovnalo 8 hardvérových platforiem a 22 náročností neurónovej sieti. Bolo demonštrované až 105 násobné zlepšenie pre izolovanú inferenciu MobileNetV2 siete na platformu Raspbery Pi za pomoci akcelrátora. Výkon medzi testovanými platformami sa vyhodnocoval aj z energetického hľadiska. Aplikáciou na rozpoznanie identity tváre sa demonštrovali podmienky reálneho použitia. Odkryli sa možné limity akcelerácie CNN na zariadeniach s obmedzeným výkonom (Raspberry Pi), najmä v súvislosti s nevhodným výberom vstupného rozlíšenia obrazu. Všetky merania boli vyhodnocované štatistickými postupmi.
|
|
|
Počítání vozidel ve statickém obraze
Jelínek, Zdeněk ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Hlavním cílem této práce bylo porovnání různých moderních přístupů k počítání vozidel pomocí odhadu hustoty. Celkem byly porovnány čtyři modely konvolučních neuronových sítí - Counting CNN, Hydra CNN, Perspective-Aware CNN a Multi-column CNN. Vyhodnocení natrénovaných modelů bylo provedeno na třech různých datasetech. Nejpřesnějších výsledků na všech datasetech dosáhl model Perspective-Aware CNN. Na datasetu PUCPR+ dosáhl hodnoty Mean Absolute Error 2,86, čímž prokázal, že jeho použití u problému počítání vozidel je vhodné.
|
|
|
Detekce a rozpoznání objektů v obraze
Muzikářová, Michaela ; Hradiš, Michal (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato bakalářská práce se zabývá návrhem a implementací aplikace typu klient-server, která umožňuje rozpoznání objektů v obraze a využívá již existující mobilní aplikaci. V teoretické části jsou nejprve popsány rozdíly lidského a počítačového vidění, dále detekce a rozpoznání objektů včetně vybraných metod. Další sekce obsahuje popis umělých neuronových sítí, které byly pro práci hlouběji nastudovány, spolu s jejich využitím k rozpoznání objektů. Následují informace, týkající se vybraných mobilních aplikací pro rozpoznání objektů v obraze, zakončené přehledem frameworků a knihoven, umožňujících práci s neuronovými sítěmi. Z nich byl k práci zvolen Caffe Framework. Dále je popsán průběh návrhu a řešení a vytvořený systém včetně experimentů a datasetů, použitých k ověření jeho funkčnosti.
|
|
|
Detekce a rozpoznání hub v přirozeném prostředí
Steinhauser, Dominik ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Práce řeší problém detekce a klasifikace hub na fotografiích v přirozeném prostředí. K řešení jsem použil konvoluční neuronové sítě. Začátek práce je věnován teorii neuronových sítí. Dále je v práci řešena detekce hub a jejich klasifikace. S pomocí plně konvoluční neuronové sítě je vyřešen i problém lokalizace hub. Výsledky naučených neuronových sítí jsou analyzovány.
|
|
|
Identifikace 2D CT axiálních řezů pomocí konvolučních neuronových sítí
Vavřinová, Pavlína ; Harabiš, Vratislav (oponent) ; Jakubíček, Roman (vedoucí práce)
Tato práce se zabývá klasifikací 2D axiálních CT řezů pacientských dat do šesti kategorií. K tomuto záměru byla využita oblast konvolučních neuronových sítí. Pro snadnější porozumění této problematice jsou nejprve vysvětleny základy neuronových sítí obecně a poté principy hlubokého učení zahrnující konvoluční neuronové sítě. Pro účely identifikace axiálních řezů byla vybrána konkrétně síť AlexNet, která byla po uzpůsobení otestovaná na vytvořené datové sadě. Celková úspěšnost klasifikace dosáhla 86%, po finálních úpravách došlo k mírnému zlepšení, kdy identifikační schopnost činila 87%.
|
|
|
Hluboké neuronové sítě v rozpoznávání obrazu
Munzar, Milan ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Neuronové sítě jsou dnes jeden z nejúspěšnějších modelů pro strojové učení. Můžeme je nalézt v autonomínch robotických systémech, v rozpoznávání objektů i řeči, predikci a mnoha jiných odvětvích umělé inteligence. Tato práce seznámí čtenáře s tímto modelem a jeho rozšířením, které se používá pro rozpoznávání objektů. Posléze popisuje aplikaci těchto konvolučních neuronových sítí(CNNs) pro klasifikaci obrazků na datasetech Caltech101 a Cifar-10. Na příkladu této aplikace diskutuje a měří efektivnost různých technik používaných v CNNs. Výsledky ukazují, že tyto sítě jsou bez dalších rozšíření schopné dosáhnout 80\% přesnosti na datasetu Cifar-10 a 37\% přesnosti na datasetu Caltech101.
|
|
|
Vyhodnocování terčů na střelnici s využitím obrazových dat
Sujová, Sára ; Šťastný, Jiří (oponent) ; Škrabánek, Pavel (vedoucí práce)
V práci je popísaný návrh a implementácia systému strojového videnia pre vyhodnocovanie terčov na strelnici s využitím obrazových dát. Program rešpektuje obmedzenia vychádzajúce z bezpečnostných opatrení stanovených prevádzkovateľom strelnice a používa jednotný a nemenný systém osvetlenia a umiestnenia fotoaparátu. Práca pozostáva z niekoľkých častí. Prvou časťou je vytvorenie datasetu a jeho anotácia. Druhou časťou je vytvorenie programu. Do programu vstupuje fotografia terča, ktorá je vo fáze predspracovania vhodne upravená a rozdelená na podoblasti. Tieto podoblasti sú následne iteratívne spracované sieťou U-NET, ktorá produkuje segmentačné mapy, ktoré sú následne spojené do výslednej mapy. Z tejto mapy sú získané pozície detekovaných priestrelov. V poslednej časti programu je získané bodové hodnotenie streľby.
|
|
|
Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí
Marko, Peter ; Beran, Vítězslav (oponent) ; Veľas, Martin (vedoucí práce)
Práca sa zaoberá detekciou čiary vodorovného dopravného značenia z mračna bodov, ktoré bolo získané laserovým mobilným mapovaním. Systém pracuje interaktívne v spolupráci s užívateľom, ktorý vyznačí počiatok čiary dopravného značenia. Program postupne deteguje zvyšné časti dopravného značenia a vytvorí ich vektorovú reprezentáciu. Na začiatku je mračno bodov premietnuté do vodorovnej roviny a výsledkom je 2D obrázok, ktorý je segmentovaný konvolučnou neurónovou sieťou U-Net. Segmentácia označuje jednu dopravnú čiaru. Segmentácia je prevedená na lomenú čiaru, ktorú je možné použiť v geo-informačnom systéme. Sieť U-Net pri testovaní dosiahla presnosť segmentácie 98,8\%, špecificitu 99,5\% a senzitivitu 72,9\%. Odhadnutá lomená čiara dosiahla priemernú odchýlku 1,8cm.
|
host ::
RSS.