|
|
Warehouse Modeling Using Graphical User Interface
Rajnoha, Martin
This paper describes a new algorithm which enable efficient conversion of graphical representation of warehouse into graph theory representation and consequently accelerates estimation for route costs. The proposed algorithm computes route distances between any place in warehouses and does so significantly faster than traditional approaches. For this purpose an algorithm based on Breadth first search, image processing “skeletonization” and Dijkstra algorithm was proposed. Using the proposed algorithm it is possible to search routes in a warehouse effectively and fast using precomputed routing table. Searching time is approximately hundreds of microseconds using routing table and even it is independent on size of warehouse instead of using Dijkstra algorithm.
|
|
|
Object tracking in video
Boszorád, Matej ; Přinosil, Jiří (oponent) ; Rajnoha, Martin (vedoucí práce)
This bachelor thesis deals with the issue of tracking multiple objects in a video, specifically focusing on non-learning algorithms. The first chapter represents the theoretical part of the thesis, in which some of the often used tracking methods are described, such as mean-shift, scale-invariant object transformation, Kalman filter, particle filter and Gabor wavelet transformation. These algorithms are broken down by properties they use for proper tracking. The chapter also contains section assignment problem, which is mainly concerned with Hungarian algorithm. The next part describes options of merging multiple tracking methods that are broken down by construction type into parallel, cascade, weighted and discriminatory with example for each one. Moreover there is described adaptability of the tracking system. Bellow are described problems which may occur during tracking and possible solutions to them. This section consists of a solution of image noise, changes in illumination, appearance and extinction of an object, focusing mainly on solving the problem of object occlusion. Within the practical part is created algorithm composed of different types of tracking, the results of which are then compared with selected tracking systems from the multiple object tracking benchmark. The practical part includes the tools used and the explanation of the design, in which the main classes and methods used for the tracking are explained. Besides that, this section describes parallel merging and tracking adaptability . The results of the thesis contain a comparison of the use of tracking techniques separately and together. To compare the results, videos for pedestrian tracking and face tracking were used. This thesis was based on the assumption that merging multiple monitoring systems will help with the improvement of the tracking, which was confirmed by the results.
|
|
|
Online detektor bodů zájmu
Přibyl, Jakub ; Rajnoha, Martin (oponent) ; Mašek, Jan (vedoucí práce)
Tato práce se věnuje problematice online učení detektoru při dlouhodobém sledování objektu ve videosekvenci. Tento objekt je definován pomocí ohraničujícího obdelníku. V práci jsou popsány jednotlivé části detektoru: sledování objektu, detekce objektu a online učení detektoru. Hlavním přínosem práce je rozšíření programu OpenTLD o paralelní detekci a sledování více objektů současně. Paralelizace je pak porovnána na několika praktických příkladech a je porovnán vliv procesoru při detekci. Nejlepších výsledků bylo dosaženo při paralelizaci s detekováním všech objektů. Nejpřesnější detekce byla v případě dostatečně naučených objektů při nejmenší změně podoby.
|
|
|
Image annotation using deep learning
Zarapina, Natalya ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This semester thesis describes the design and implementation of the client-server program for classification and localization of certain elements which are present in provided images. This program loads a set of images and use deep learning, especially deep convolution neural network perform a classification. First part describes the architecture, basic principles of operations in convolution network and chosen machine learning algorithms for classification. Second part contains a description of created program.
|
|
| |
|
|
Computational tasks for Parallel data processing course
Horečný, Peter ; Rajnoha, Martin (oponent) ; Mašek, Jan (vedoucí práce)
The goal of this thesis was to create laboratory excercises for subject „Parallel data processing“, which will introduce options and capabilities of Apache Spark technology to the students. The excercises focus on work with basic operations and data preprocessing, work with concepts and algorithms of machine learning. By following the instructions, the students will solve real world situations problems by using algorithms for linear regression, classification, clustering and frequent patterns. This will show them the real usage and advantages of Spark. As an input data, there will be databases of czech and slovak companies with a lot of information provided, which need to be prepared, filtered and sorted for next processing in the first excercise. The students will also get known with functional programming, because the are not whole programs in excercises, but just the pieces of instructions, which are not repeated in the following excercises. They will get a comprehensive overview about possibilities of Spark by getting over all the excercices.
|
|
|
Face parameterization using videosequence
Lieskovský, Pavol ; Mekyska, Jiří (oponent) ; Rajnoha, Martin (vedoucí práce)
This work deals with the problem of face parameterization from the video of a speaking person and estimating Parkinson’s disease and the progress of its symptoms based on face parameters. It describes the syntax and function of the program that was created within this work and solves the problem of face parameterization. The program formats the processed data into a time series of parameters in JSON format. From these data, a dataset was created, based on which artificial intelligence models were trained to predict Parkinson’s disease and the progress of its symptoms. The process of model training and their results are documented within this work.
|
|
|
Convolution neural networks on the Windows platform
Kapusta, Martin ; Rajnoha, Martin (oponent) ; Přinosil, Jiří (vedoucí práce)
The aim of the bachelor thesis is the latest knowledge of convolution neural networks and their application. The thesis describes the history, biological neuron and analogous mathematical model of a neuron. It also deals with the areas where neural networks are used, as well as the areas in which they expand gradually, the ways of learning and training, the differences between convolution neural networks and classical neural networks and their architecture. The thesis consists of two parts. The first part is the selection of the framework for working with convolution neural networks, which is suitable for implementation in the Windows operating system, the installation of the framework and its troubleshooting. The second part is aimed at creating an automated installation tool for the Windows 7 and Windows 10 operating system, created in JavaFX.
|
|
|
Detekce pohybujících se objektů ve videu
Hanek, Petr ; Přinosil, Jiří (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zabývá knihovnou OpenCV a jejími metodami. Vytvořená aplikace je schopna detekovat pohybující se objekty ve videu ze statické kamery za pomocí metod pro odečítání pozadí obrazu. Tuto aplikaci je možné využívat v různých módech: detekování v oblasti vypočítanou pomocí BFS algoritmu a dva téměř podobné módy na detekci přechodu přes linii. Aplikace funguje na více vláknech, jelikož vytvořené grafické uživatelské rozhraní je náročné na výpočetní výkon. V aplikaci je implementovaný Kálmánův filtr pro detekci více objektů zároveň a implementace maďarské metody, která řeší přiřazovací problém.
|
|
|
Meření podobnosti obrazů s pomocí hlubokého učení
Štarha, Dominik ; Šeda, Pavel (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato diplomová práce se zabývá výzkumem technologií, využívajících metod hlubokého učení, využitelných při zpracovávání obrazových dat. Konkrétním zaměřením práce je zhodnotit vhodnost a efektivnost hlubokého učení při porovnávání dvou vstupních obrazových dat. První – teoretická – část zahrnuje úvod do problematiky neuronových sítí a hlubokého učení. Obsahuje popis dostupných možností a jejich výhody a principy, vhodné při zpracování obrazových dat. Druhá – praktická – část práce obsahuje návrh vhodného modelu siamských sítí pro řešení problému problematiky porovnávání dvou vstupních obrazů a vyhodnocení jejich podobnosti. Výstupem je zhodnocení několika možných konfigurací modelu a vyzdvihnutí parametrů modelu s nejlepšími výsledky.
|
host ::
RSS.