Original title: Zkoumání možností a limitů počítačového vidění ve spojení s Malleable Glyph
Translated title: Exploring the possibilities and limitations of computer vision in conjunction with Malleable Glyph
Authors: Gaens, Martin ; Kohút, Jan (referee) ; Herout, Adam (advisor)
Document type: Bachelor's theses
Year: 2026
Language: eng
Publisher: Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract: [eng] [cze]
Malleable Glyphs sú grafické návrhy používané na zakódovanie skalárnych hodnôt ( [0, 100]) do statických rovinných plôch. Táto bakalárska práca skúma, ako možno technológiu Malleable Glyph využiť na získanie nových poznatkov o počítačovom videní a novej regresnej technike nazývanej binned regression. Na zjednodušenie tohto výskumu bol vyvinutý experimentálny framework využívajúci knižnicu PyTorch, nástroj uv a platformu ClearML. Framework umožňuje parametrizované spúšťanie experimentov obsiahnutých v Jupyter notebookoch za účelom zodpovedania výskumných otázok. Experimenty ukázali, že model binned regression dokáže predpovedať zakódované hodnoty s vysokou presnosťou, pričom dosiahol priemerný mean average error (MAE) 0,12 v rámci 10 rôznych behov. Práca zlepšila metódu binned regression identifikovaním vhodných parametrov pre optimalizátor Adam a lepších konfigurácií centroidov, ktoré zvýšili stabilitu predikcií. Práca slúži ako základ pre ďalší výskum počítačového videnia v spojení s technológiou Malleable Glyph. Malleable Glyphs are graphical designs used to encode scalar values ( [0, 100]) into static planar areas. This bachelor’s thesis explores how the Malleable Glyph technology can be used to discover new insights about computer vision and a novel regression technique called binned regression. To facilitate this research, an experimentation framework was developed using the PyTorch library, uv, and ClearML. It allows for parametrized execution of experiments contained in Jupyter notebooks for answering research questions. The experiments demonstrated that a binned regression model can predict encoded values with high precision, achieving an average Mean Absolute Error (MAE) of 0.12 across 10 runs. The work improved binned regression by finding solid parameters for the Adam optimizer and better centroid configurations that improved prediction stability. The thesis serves as a foundation for further research on computer vision in conjunction with the Malleable Glyph technology.
Keywords: binned regression; experimenty; grafický dizajn; konvolučné neurónové siete; Malleable Glyph; MLOps; počítačové videnie; Q metodológia; regresia; tvorba datasetov; vizualizácia; vizuálne porovnávanie; zobrazenie kvantity; binned regression; computer vision; convolutional neural networks; dataset creation; experiments; graphical design; Malleable Glyph; MLOps; Q methodology; quantity visualization; regression; visual comparison; visualization

Institution: Brno University of Technology (web)
Document availability information: Fulltext is available in the Brno University of Technology Digital Library.
Original record: http://hdl.handle.net/11012/258722

Permalink: http://www.nusl.cz/ntk/nusl-777454


The record appears in these collections:
Universities and colleges > Public universities > Brno University of Technology
Academic theses (ETDs) > Bachelor's theses