|
|
Rozpoznání osob s částečně zahalenou tváří
Kašpar, Jan ; Kříž, Petr (oponent) ; Přinosil, Jiří (vedoucí práce)
Tato bakalářská práce se zaměřuje na rozpoznání osoby se zahalenou tváří. V rámci práce jsou popsány čtyři algoritmy InsightFace, FaceNet, OpenFace a FaceRecognition.Z těchto algoritmů je vybrán nejvhodnější pro rozpoznávání osob se zahalenou tváří. Jsou vytvořeny dvě databáze osob a natrénovány dva modely pro rozpoznávání osob, přičemž jeden je pro rozpoznávání osob se zahalenou tváří a druhý pro nezahalené osoby. Pro tyto modely jsou vytvořeny ROC křivky k zjištění přesnosti modelů. Vytvořený program slouží k rozpoznání osoby nebo jejího zařazení do databáze vytvořené pomocí SQLite.
|
|
|
Face Detection in Poor Quality Videos
Koval, Michal ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
This bachelor thesis deals with face detection in low quality videos, while mainly focusing on occluded faces. It describes elementary priciples of machine learning algorithms and their methods, which are often used in the field of computer vision. Out of them are more closely described convolutional neural networks and their state of the art models focused on face detection. Out of those, convolutional neural networks and state of the art models for face detection are more closely described. For the practical part face detection models inspired by state of the art model RetinaFace were implemented and trained. The best performing model achieves 85.5% average precision on WIDER Face HARD testing dataset and 90.9% on dataset focused on occluded faces. Part of this thesis is also a program with graphical user interfaces which provides tools to use developed models on videos and pictures.
|
|
|
Rozpoznávání osob s pomocí snímků obličeje
Lindovský, Michal ; Burget, Radim (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaměřuje na rozpoznání osoby mezi několika miliony osob v~řádech několika sekund. V rámci práce se porovnávají dva frameworky sloužící k rozpoznávání obličejů, OpenFace a Face Recognition. Jsou porovnávány výpočetní časy lokalizace a zakódování obličeje. Dále se porovnává přesnost rozpoznání v různých testech např. rozostřený obrázek, změna světlosti, věk osoby, použití slunečních brýlí. Vytvořená webová aplikace slouží k rozpoznání osoby v různých databázích osob. V aplikaci lze přidávat/odebírat databáze osob. Aplikace umožňuje do databáze zařadit osoby automaticky podle pohlaví nebo ručně. Pro zrychlení rozpoznání osoby lze využít více jáder procesoru.
|
|
|
Head Pose Estimation in an Image by a Neural Network
Rybnikár, Lukáš ; Goldmann, Tomáš (oponent) ; Orság, Filip (vedoucí práce)
Artificial neural networks are not a novelty, but their recent rise in popularity is noticeable as well as their gain of attention from the masses. This bachelor thesis focuses on the head pose estimation in an image using the convolution neural networks. The fields of use of neural networks are vast and during last years strong enough hardware has been developed to allow us to train these networks under commonly accessible conditions. In theoretical part there are neural networks introduced with an explanation of what they are, how they work, how they are divided followed by a detailed description of convolutional neural networks. In the practical part the necessary tools used for development needed to perform experiments, such as determining appropriate configuration for neural network and optimization to get the best results possible, are described.
|
|
|
Uživatelské rozhraní s využitím mobilního zařízení a kamery
Rajca, Tomáš ; Zahrádka, Jiří (oponent) ; Zemčík, Pavel (vedoucí práce)
Práce popisuje vývoj uživatelského rozhraní využívajícího kameru. Pomocí mrknutí pravého nebo levého oka umožňuje emulovat dvě klávesy. Pro zpracování videa využívá knihovnu OpenCV. Uživatelské prostředí je vytvořené pomocí knihovny Qt. Práce obsahuje vysvětlení základních vlastností videa, vysvětlení principů zpracování videa, přehled existujících softwarů, samotný návrh a implementaci aplikace. V závěru práce jsou zhodnoceny výsledky a popsán případný další vývoj.
|
|
|
Akcelerace neuronové sítě pro detekci obličeje ve zhoršených světelných podmínkách
Orava, Vojtěch ; Malinka, Kamil (oponent) ; Goldmann, Tomáš (vedoucí práce)
Cílem této práce je vytvořit neuronovou síť pro detekci obličejů ve zhoršených světelných podmínkách, tuto síť akcelerovat a porovnat s existujícími řešeními. Problém detekce je řešen konvoluční neuronovou sítí natrénovanou pomocí datasetů WIDER FACE a DARK FACE. Síť je akcelerována zařízením Intel Neural Compute Stick 2. Práce obsahuje sumarizaci dosavadních řešení a algoritmů detekce (jak klasických metod, tak těch využívajících neuronové sítě) a poskytuje porovnání těchto řešení s nově vytvořenými detektory. Ty jsou založeny na TensorFlow Object Detection API. Nejlepší varianta dosahuje průměrné přesnosti 47,1 % na upraveném validačním datasetu WIDER FACE (detektor YOLOv7-face má přesnost 42,8 %). Měřena byla také rychlost a vliv akcelerace a kvantování modelů. Kvantováním bylo dosaženo i více než 3násobného zrychlení některých modelů. Součástí práce je také grafická aplikace pro detekci ve videích s vytvořenými modely a některými existujícími řešeními.
|
|
|
Detekce částečně zakrytého obličeje v obrazových datech
Kedra, David ; Sakin, Martin (oponent) ; Goldmann, Tomáš (vedoucí práce)
Tato bakalářská práce se zabývá analýzou problémů kamerových systémů při detekci částečně zakrytých obličejů a rozebírá současné detektory strojového učení. Smyslem bylo hledat řešení, která napomáhají detekcím tváří i se zhoršenou viditelností. Z tohoto důvodu byly generováním umělých zakrytí upraveny datasety, na kterých se trénovaly modely YOLOv7, YOLOv7-tiny a RetinaNet. Představena je počítačová aplikace uplatňující tyto detektory. Modely jsou srovnány s existujícími řešeními z hlediska kvality a rychlosti. Na většině testovacích datasetů lépe obstávají natrénované modely. YOLOv7 je při minimálním IoU 50 % nejpřesnější na upravených sadách WIDER FACE i UFDD, a to s průměrnými preciznostmi 86 % a 89 %. Na třetím datasetu s rouškami však modely překonává existující detektor RetinaFace. Dle poměru rychlosti a kvality působí nejefektivněji YOLOv7-tiny.
|
|
|
Aplikace pro frontalizaci obličeje
Tichý, Filip ; Malinka, Kamil (oponent) ; Goldmann, Tomáš (vedoucí práce)
Tato práce se zaměřuje na implementaci aplikace pro frontalizaci obličeje pomocí projektu Complete Face Recovery GAN a pomocí otočení 3D modelu obličeje s následným vyrenderováním. Cílem práce je zhodnotit vliv aplikace na úspěšnost rozpoznávání obličeje na základě datasetu Fidentis. Výsledky jsou prezentovány ve formě krabicových grafů, které znázorňují euklidovské vzdálenosti mezi vygenerovanými frontalizovanými snímky a reálnými snímky. Při experimentování bylo zjištěno, že při frontalizaci pomocí otočení 3D modelu z vysokých úhlů natočení, stoupá úspěšnost procesu rozpoznávání obličeje. Naopak, při frontalizaci pomocí projektu Complete Face Recovery GAN, úspěšnost rozpoznávání značně klesá. Pro porovnání snímků byl použit algoritmus VGG Face. Celá aplikace je implementována v jazyce Python s využitím běžně dostupných knihoven.
|
|
|
Systém počítačového vidění pro rozpoznávání emocí
Wójcik, Jan ; Bilík, Šimon (oponent) ; Janáková, Ilona (vedoucí práce)
Semestrální práce se zabývá návrhem systému pro rozpoznávání emocí, který by měl být využit jako nástroj pro zlepšení komunikace s osobami s poruchou autistického spektra. Pro rozpoznávání emoce budou využívány data z kamery, jedná se tedy o aplikaci počítačového vidění. Práce se zabývá oblastmi jako je detekce obličeje, extrakce relevantních příznaků, hledání vhodného datasetu nebo návrh klasifikátoru.
|
|
|
Automated Human Recognition From Image Data
Dobiš, Lukáš
This paper describes an approach for automated human recognition by using convolutional neural networks (CNN) to perform facial analysis of persons face from image data. The predicted biometric indicators are following: age, gender, facial landmarks and facial expression. Network architectures with pretrained weights for each task are described. Script of interconnected CNN is explained and its results support further proposed expansion plans for live video inference.
|
host ::
RSS.