|
|
Zvyšování kvality videa pomocí konvolučních sítí
Skácel, David ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Konvoluční neuronové sítě dnes představují v oblasti zpracování obrazu jeden z nejmodernějších přístupů k řešení problémů, jakými jsou například redukce kompresních artefaktů či zvyšování prostorového rozlišení obrazu. Některé výzkumné skupiny již dokazují, že lze tyto sítě adaptovat ke zpracování videa a využít tak přidané informace v čase ke zvětšení prostorového rozlišení videa či dosáhnout lepší úrovně komprese při zachování detailů. Otázkou, zdali je možné využít tento přístup také pro zvýšení časového rozlišení reálného videa, se zabývám v této práci. K tomu využívám konvolučních neuronových sítí, které, jak popisuji, dokáží do jisté míry interpolovat vstupní videosnímky ze skutečných videozáznamů, jsou-li dostatečně kvalitní, a napomoci tak zvýšení snímkové frekvence videa. Dosažené výsledky, ač pozitivní, jsou spíše mezikrokem na cestě za vhodnějším využitím těchto sítí k řešení daného problému.
|
|
|
Counting Vehicles in Static Images
Zemánek, Ondřej ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This work addresses the problem of counting vehicles in static images with no geometric information of the scene. Five convolutional neural network architectures were studied, implemented and trained as the main part of this work. Also, a dataset that consists of 19 310 images from 12 views that captures 7 different scenes were taken as part of this work. The trained networks map the appearance of the input sample to its corresponding vehicles density map, which can be easily translated to the vehicle count with keeping the localization of the vehicles in the input image. The main contribution of this work is in an application and a comparison of the state-of-the-art solutions to the problem of object counting. Most of them were mainly designed to count pedestrians in crowded scenes or for medicine images, so the major goal was to adapt these solutions for vehicle counting task. The implemented models were evaluated on TRANCOS dataset and large custom dataset with the GAME metric. Their performance is compared and the results are discussed.
|
|
| |
|
|
Holistické rozpoznání registrační značky pomocí konvolučních neuronových sítí
Morbitzer, Dušan ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je vytvoření modelu neuronové sítě pro holistické rozpoznávání registračních značek se zaměřením na přesnost a zkrácení doby trénovacího procesu. Model byl implementován, jako spojení konvoluční neuronové sítě pro extrakci hlubokých rysů obrázku značky a Bidirectional LSTM s CTC. Natrénovaný model byl porovnán s jinou implementací, využívající holistického přístupu, která byla natrénována na stejném datasetu. Vlastní návrh sítě dosáhl lepších výsledků při rozpoznávání na datové sadě, odlišné od trénovací, s chybovostí 8,3 %.
|
|
|
Detekce kvádrů-krabic v obraze
Žitňanský, Adam ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Táto práca sa zaoberá problémom detekcie kvádrov, konkrétne krabíc v obraze. Hlavným výsledkom práce je návrh a implementácia systému na detekciu krabíc na základe rohov a hrán. Systém pozostáva z detektora hranových bodov a rohov založeného na konvolučnejneurónovej sieti a dekodéra na zostavenie výsledného 2d modelu krabice. V rámci riešenia vznikol taktiež dataset s 550 anotovanými snímkami krabíc s anotáciami rohov a hrán.
|
|
|
Re-identifikace vozidla pomocí rozpoznání jeho registrační značky
Špaňhel, Jakub ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá návrhem algoritmů detekce a rozpoznání registrační značky vozidla, které by byly použitelné pro re-identifikaci vozidla v obraze, a vytvořením jednoduchého systému analýzy dopravy. Byly navrženy a otestovány jednotlivé části toho systému. Konkrétně se jedná o detekci vozidel, detekci a rozpoznání registrační značky vozidla a systém samotný. Detekce vozidel je prováděna pomocí metody odečítání pozadí a vytváření ohraničení těchto oblastí s úspěšností ~92%. Registrační značka je detekována pomocí kaskády klasifikátoru a dosahuje úspěšnosti 81.72% a přesnosti 94.42%. Rozpoznání poznávací značky pomocí metody Template matching dosahuje úspěšnosti 60.55%. Proto byl představen zcela nový princip rozpoznávání registrační značky vozidla pomocí jejího skenování užitím principu sliding window a rozpoznáváním neuronovou sítí. Neuronová síť dosahuje úspěšnosti 64.47% pro testovací datovou sadu při použití pěti příznaků. Malou úspěšnost neuronové sítě však ovlivňuje nedostatek vzorků některých znaků registrační značky.
|
|
|
Měření rychlosti automobilů stacionární kamerou
Juřica, Tomáš ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato bakalářská práce pojednává o problematice měření rychlosti automobilů z videozáznamu pořízeného staticky umístěnou videokamerou s výhledem na silnici. Popsána je tvorba nástroje s cílem dosáhnutí maximální přesnosti měření s minimálním uživatelským vstupem a časem měření jednoho objektu. Pojem o rozměrech scény systém získává na základě známých bodů ve scéně, jež jsou nástrojem manuálně vyznačeny. Dále je popsán vliv způsobu anotování průjezdů vozidel a kvality vstupního souboru na maximálně možnou dosažitelnou přesnost měření.
|
|
|
Detekce graffiti tagů v obraze
Molisch, Marek ; Herout, Adam (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnat současné architektury modelů, zodpovědné za detekci objektů a použít je pro úlohu detekce graffiti tagů. Pro tyto účely byly v řešení vybrány state-of-the-art modely, které jsou podporovány frameworkem Tensorflow. Architektura Faster R-CNN byla nejpřesnější a architektura SSD nejrychlejší. Také byly provedeny experimenty s graffiti tagy z Athén na datasetu STORM, kde se zjistilo, že ke graffiti tagům je žádoucí přistupovat jako k objektům a ne jako k písmu.
|
|
|
Re-identifikace graffiti tagů
Pavlica, Jan ; Beran, Vítězslav (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zaměřuje na možnost využití současných metod na poli počítačového vidění k re-identifikaci graffiti tagů. V práci je zkoumána možnost využití konvolučních neuronových sítí k re-identifikaci graffiti tagů, které jsou nejrozšířenějším typem graffiti. V rámci práce bylo experimentováno s různými modely konvolučních neuronových sítí z nichž nejvhodnější byl MobileNet s využitím triplet loss funkce, kdy se podařilo dosáhnout mAP 36.02%.
|
|
|
Automatic Trafic Scene Analysis Using Image Processing
Válek, Lukáš ; Špaňhel, Jakub (oponent) ; Zemčík, Pavel (vedoucí práce)
This thesis deals with the issue of scene analysis using computer vision methods. The aim of this work is to create a system capable of automatically detecting anomalies found in video recordings. The present thesis discusses object-detection and object-tracking systems. It also pursues graphical user interface and violation-detecting algorithm of user-defined rules. As a result of the present thesis, a web application is created that allows users to manage their videos, to define rules for scenes, to start the anomaly detection as well as display the results of the analysis. The system operates in real-time, notifies users when the operation is finished and stores the analysis results for further processing.
|
host ::
RSS.