|
Úsekové měření rychlosti pro analýzu dopravy
Kubíčková, Pavla ; Špaňhel, Jakub (oponent) ; Sochor, Jakub (vedoucí práce)
Tato bakalářská práce se zabývá úsekovým měřením rychlosti automobilů. Práce popisuje existující metody detekce registračních značek a rozpoznání znaků v nich obsažených. Následně jsou popsány metody kaskádového klasifikátoru a klasifikátoru SVM, které jsou v této práci použity. V závěrečné části je zpracované vyhodnocení jednotlivých částí systému.
|
|
Detekce jízdy na červenou
Šorf, Milan ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zabývá automatickou detekcí jízdy na červenou ze statické kamery. Teoretická část práce popisuje princip detekce, představuje některé metody zpracování obrazu pro detekci semaforů a automobilů a popisuje metriky pro jejich srovnávání. Práce se rovněž zabývá implementací aplikace pro porovnání úspěšnosti jednotlivých metod.
|
|
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 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.
|
|
Software pro detekci a rozpoznání registrační značky vozidla
Masaryk, Adam ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cieľom tejto bakalárskej práce je navrhnúť a vyvinúť softvér, ktorý dokáže detegovať a rozpoznávať registračné značky z obrázkov. Softvér je rozdelený na 3 časti - detekcia značky, spracovanie výstupu detektora a rozpoznanie znakov na registračnej značke. Detekciu a rozpoznanie sme sa rozhodli implementovať pomocou moderných metód využitím konvolučných neurónových sietí.
|
|
Detekce graffiti tagů v obraze
Pavlica, Jan ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zaměřuje na možnost využití současných metod v oblasti počítačového vidění za účelem automatické detekce graffiti tagů v obraze. Tagy jsou nejčastějším projevem graffiti, který slouží jako podpis autora. V rámci práce byly otestovány state-of-art detekční systémy, z nichž se nejvíce osvědčil Single Shot MultiBox Detector. Bylo u něj dosaženo 75,7% AP.
|
|
Informační portál pro studenty
Krejčí, Petr ; Špaňhel, Jakub (oponent) ; Dytrych, Jaroslav (vedoucí práce)
Tato práce se zabývá analýzou současných komunikačních kanálů studentů, návrhem nového webového informačního portálu pro studenty a jeho implementací. Systém integruje sociální síť Facebook, Dokumenty Google a Kalendáře Google. Výsledkem diplomové práce je funkční systém napsaný v jazyce Java, který vznikl na základě analýzy komunikace studentů a požadavků Studentské unie.
|
|
Counting Crates in Images
Mičulek, Petr ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This thesis deals with the topic of using deep learning to count crates in images. I have designed a crate-counting solution for blocks of matchboxes, using a fully convolutional classification-based network with a high resolution output. The original project proposition counted on using a dataset of photos of crates from a beer brewery warehouse. I did not get access to the dataset in the end. On the recommendation of my supervisor, I based the crate-counting solution on a custom dataset of matchbox photos. The CNN is trained using image patches, leading to a fast solution working even on smaller datasets. Matchbox keypoints are detected by the CNN in the input images and they are processed by a keypoint estimation and crate-counting algorithm to produce the final crate count. On validation data, the solution has a 12.5% failure rate and a MAE of 11.14. Thorough experimentation was performed to evaluate the solution and the results verify that this approach can be used for object counting.
|
|
Detekce vozidla v obraze
Petráš, Adam ; Zemčík, Pavel (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato bakalářská práce je zaměřena na detekci vozidel v obraze. V práci je rozebrána metoda detekce vozidel pomocí konvolučních neuronových sítí, jejich struktury a modely. Všechny skripty byly realizovány v programovacím jazyce Python s rozhraním Tensorflow Object Detection API. První část bakalářské práce jsem věnoval strukturám populárních neuronových sítí a modelům detekčních neuronových sítí. Další kapitola se zabývá nejznámějšími frameworky, které se používají pro strojové učení. Byly vybrány tři modely neuronové sítě, jež byly natrénovány na datasetu COD20K. Výsledkem jsou statistické údaje, které pojednávají o efektivitě a výkonu jednotlivých modelů na natrénovaném datasetu a porovnání výkonu bez zobrazení videa na zařízeních Nvidia RTX 2060, kdy výkon dosažený sítí SDD MobileNet V2 byl 300FPS a Nvidia Tegra TX2 8GB, jehož výkon dosahoval téměř 44FPS.
|
|
Charakterizace chodců ve videu
Studená, Zuzana ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Táto práca sa zaoberá získavaním informácií o chodcoch, ktorí sú zachytení pomocou statických vonkajších kamier umiestnených na verejných vonkajších alebo vnútorných priestranstvách. Cieľom je za použitia konvolučných neurónových sietí získať, čo najväčšie množstvo informácií ako je napríklad pohlavie, vek a typ oblečenia, doplnky, módny štýl alebo celková charakteristika osoby. Časť práce pozostáva z tvorby novej dátovej sady, ktorá zachytáva chodcov a k nim informácie o pohlaví, veku a módnom štýle osoby. Ďalšou časťou práce je návrh a implementácia konvolučných neurónových sietí, ktoré klasifikujú spomínané charakteristiky chodcov. Neurónové siete vyhodnocujú vstupné obrázky chodcov v dátových sadách PETA, FashionStyle14 a BUT atribúty chodcov. Vykonané experimenty nad dátovými sadami PETA a FashionStyle porovnávajú moje výsledky rôznych konvolučných neurónových sietí s publikáciami. Ďalšie experimenty sú ukázané na novo vytvorenej dátovej sade BUT atribúty chodcov.
|