|
|
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.
|
|
|
Face superresolution from image sequence
Mezina, Anzhelika ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This work is focused on application of deep learning in increasing resolution of images containing face. This can be applied in different fields, including security. For example, in case of incident, the police needs to identify a culprit from the records of security camera. The aim of this work is to propose neural network models, which would work with sequence of frames, and to compare these models with existing methods for a single image super-resolution. For this purpose, a new dataset with sequences of the images with faces is created. The methods for the single super-resolution are trained on the new dataset. The new architectures for multiframe super-resolution are proposed. They are based on U-Net model. This model is successful for segmentation tasks, but it can be also applied for super-resolution tasks. To improve this architecture, the residual blocks and its modification are used. To avoid blurring effect and recover more details, the perceptual loss function is applied. In the first part of this work, the description of neural networks and overview of the architectures, which can be applied in super-resolution, is provided. The second part contains the methods for super-resolution of a single frame, multiframe, video. In the next section, there is a description of proposed architectures and description of the experiment. In the last part of the work, multiframe methods and single frame methods are compared. In the result, the proposed methods recover more details, however, some architectures produce artefacts, which can be reduced using a filter, for example, Gaussian. New methods allow to reduce the number of failed face recognition. This fact is necessary for person identification in case of incidents.
|
|
|
Generovaní databáze pro specifické případy identifikace osob
Kolmačka, Tomáš ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Diplomová práce se věnuje současné problematice identifikace osob a hlubokého učení. Dále se práce zabývá především získáním kvalitních a různorodých dat, které jsou využívány k trénování hlubokého učení s konvolučními neuronovými sítěmi pro rozpoznávání obličejů. Takových dat je velmi málo veřejně přístupných, proto se praktická část práce zaměřuje na vytvoření pluginu pro nástroj MakeHuman umožňující generování databáze obrázků náhodných tváří. Generovat tváře je možné podle pěti různých scénářů, ve kterých jsou vytvářeny čistě náhodné obličeje nebo obličeje, na kterých je možné vidět ten stejný obličej jen s různými modifikacemi jako je změna vlasů, vousů, klobouků, brýlí a dalšího. Scénáře také umožňují generování tváří s různými výrazy nebo tváře při stárnutí. V pluginu je možné nastavení některých parametrů, které dávají podobu výsledné databázi. Ta může obsahovat snímky tváře z různých úhlů natočení, přiblížení a při různém nasvícení.
|
host ::
RSS.