|
|
Výpočet mapy disparity ze stereo obrazu
Tábi, Roman ; Maršík, Lukáš (oponent) ; Španěl, Michal (vedoucí práce)
Diplomová práca sa zameriava na výpočet mapy disparity s použitím konvolučnej neurónovej siete. Preberá problematiku použitia konvolučných neurónových sietí pre porovnanie obrazov a výpočet disparity zo stereo obrazu ako aj existujúce prístupy pre riešenie zvoleného problému. Navrhuje a implementuje systém pozostávajúci z konvolučnej neurónovej siete pre odhad podobnosti dvoch výrezov obrazu, a metód pre filtráciu a vyhladenie výslednej mapy disparity. Experimenty a výsledky ukázali, že najkvalitnejšie disparitné mapy generuje riešenie, kde neurónová sieť porovnáva výrezy s rozmermi 9x9 pixlov v spojení s algoritmom pre agregáciu a korekciu párovacej ceny a bilaterálnym filtrom.
|
|
|
Sémantická segmentace v horském prostředí
Pelikán, Jakub ; Čadík, Martin (oponent) ; Brejcha, Jan (vedoucí práce)
Sémantická segmentace je jedním z klasických problémů počítačového vidění a silným nástrojem pro strojové zpracování a pochopení scény. V této práci nasazujeme sémantickou segmentaci v čistě horském prostředí. Hlavní motivací naší práce je možnost použití sémantické segmentace pro automatické zjištění geografické pozice, kde byla fotografie pořízena. V této práci jsme zhodnotili aktuální metody sémantické segmentace a vybrali z nich tři, které jsou vhodné pro adaptování do horského prostředí. Vhodně jsme rozdělili datovou sadu obsahující horské fotografie na validační, trénovací a testovací množinu tak, aby je bylo možné použít pro dotrénování vybraných metod sémantické segmentace. Na horských datech jsme dotrénovali modely z vybraných metod. Segmenty z nejlepších dotrénovaných modelů jsme nechali vyhodnotit respondenty pomocí elektronického dotazníku a také jsme je použili v procesu odhadu orientace kamery. Ukázali jsme, že vybrané metody sémantické segmentace lze úspěšně použít v horském prostředí. Naše modely jsou dotrénovány na 11, 5 nebo 4 horských třídách a nejlepší z nich dosahují na 4 třídách hodnocení mean IU 57.4%. Modely jsou použitelné i prakticky, což jsme ukázali jejich nasazením jako součást procesu odhadu orientace kamery.
|
|
|
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.
|
|
|
Image segmentation using deeplearning methods
Lukačovič, Martin ; Burget, Radim (oponent) ; Mašek, Jan (vedoucí práce)
This thesis deals with the current methods of semantic segmentation using deep learning. Other approaches of neaural networks in the area of deep learning are also discussed. It contains historical solutions of neural networks, their development, and basic principle. Convolutional neural networks are nowadays the most preferable networks in solving tasks as detection, classification, and image segmentation. The functionality was verified on a freely available environment based on conditional random fields as recurrent neural networks and compered with the deep convolutional neural networks using conditional random fields as postprocess. The latter mentioned method has become the basis for training of new models on two different datasets. There are various enviroments used to implement neural networks using deep learning, which offer diverse perform possibilities. For demonstration purposes a Python application leveraging the BVLC\,/\,Caffe framework was created. The best achieved accuracy of a trained model for clothing segmentation is 50,74\,\% and 68,52\,\% for segmentation of VOC objects. The application aims to allow interaction with image segmentation based on trained models.
|
|
|
Odhad hloubky pomocí konvolučních neuronových sítí
Ivanecký, Ján ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Táto práca sa zaoberá odhadom hĺbky s použitím konvolučných neurónových sietí. Pre vyriešenie tohto problému je v práci navrhnutý model skladajúci sa z troch častí. Model sa skladá zo siete globálneho kontextu, ktorá odhaduje hrubú štruktúru scény, gradientovej siete, ktorá odhaduje hĺbkové gradienty a zjemňujúcej siete, ktorá na základe výstupov z predchádzajúcich dvoch sietí odhadne konečnú hĺbkovú mapu. Ďalej v práci navrhujem normalizovanú chybovú funkciu na trénovanie neuronových sietí. Použitie tejto chybovej funkcie zlepšuje odhady relatívnej hlbkovej štruktúry scény, za cenu straty informácie o absolutnej hlbke v scéne.
|
|
|
Identifikace osob pomocí hlubokých neuronových sítí
Duban, Michal ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Tato diplomová práce se zabývá návrhem a implementací konvolučních neuronových sítí sloužících k re-identifikaci osob. Implementované konvoluční sítě byly testovány na dvou datových sadách CUHK01 a CUHK03, na kterých dosáhly výsledky srovnatelné se state of the art metodami. Navržené sítě byly implementovány ve frameworku Caffe.
|
|
|
Rozpoznávání textu pomocí konvolučních sítí
Csóka, Pavel ; Behúň, Kamil (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce se zabývá tvorbou nových datových sad pro účely strojového učení rozpoznávání textu z fotografií a experimenty s konvolučními neuronovými sítěmi na těchto sadách. Popisuje architekturu konvolučních sítí, problémy rozpoznávání z fotografií a současné práce využívající tyto sítě. Dále tvorbu anotace datové sady fotografií stránek dokumentů, pořízených mobilními telefony, nazvané Mobile Page Photos. K anotaci je využit Tesseract OCR. Z této sady jsou vyříznutím znaků z fotografií vytvořeny dvě další. Jedná se o sady znaků dobře čitelných Mobile Nice Page Photos Characters a dobře i spatně až nečitelných Mobile Page Photos Characters, ve formátu datové sady číslic Street View House Numbers. S třemi vytvořenými modely konvolučních sítí jsou na datových sadách provedeny experimenty s rozpoznáváním textu, s jejichž pomocí je také odhadnuta chyba anotace.
|
|
| |
|
|
Detektor ohně ve videu
Poledník, Tomáš ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato diplomová práce se zabývá detekcí ohně ve videu pomocí farební analýzy a strojového učení, konkrétně hlubokých konvolučních neurónových sítí, použitím nástroje Caffe. Cílem je vytvoření velké sady dat, která může sloužit jako základní prvek detekce založené na strojovém učení a vytvoření detektoru použitelného v reálné aplikaci. Pro účely projektu byla navrhnuta a vytvořena sada nástrojů pro tvorbu sekvencí s ohněm, jejich segmentaci a automatickou anotaci spolu s velkou trénovací sadou krátkých sekvencí umělo vymodelovaného ohně.
|
|
|
Modul pro vyhledávání nevhodných obrázků
Žurek, Aleš
Práce je zaměřena na klasifikování fotografií, které jsou nahrávány na seznamovací službu Lidé.cz. Fotografie jsou klasifikovány do kategorií závadné a nezávadné dle toho, jestli obsahují pornografický obsah. Pro klasifikaci je využito konvolučních neuronových sítí, které jsou učeny pomocí frameworku Caffe. Výsledek práce splnil všechny požadavky kladené společností Seznam.cz, a.s. Na vytvořeném datasetu s 5643 fotografiemi bylo dosaženo přesnosti klasifikátoru 93,64 % a doba klasifikace jedné fotografie je natolik nízká, aby se dala provádět v reálném čase. První část práce obsahuje analýzu současného stavu klasifikace fotografií. Druhá část je zaměřena na analýzu a návrh řešení a v třetí části je popsaná implementace řešení a průběh testování modelů neuronových sítí.
|
host ::
RSS.