|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Podpora pro prediktivní škálování aplikací na platformě Kubernetes
Fridrich, David ; Pavela, Jiří (oponent) ; Rogalewicz, Adam (vedoucí práce)
Cílem této práce je vytvořit nové rozhraní, které umožní uživateli zpracovávat sbírané metriky pro škálování podle definované formule (např. využití průměrné hodnoty, matematických rovnic, podmíněných příkazů apod.), kterou sám definuje. Dále umožňuje využít externí rozhraní pro připojení komponenty, který definuje vlastní škálovací chování, pomocí kterého může uživatel docílit automatizovaného prediktivního škálování aplikací na platformě Kubernetes. Zvolené problémy jsem vyřešil upravením jádra KEDY implementací nového rozhraní pro škálování podle vlastní formule s aritmetickými a podmiňovacími výrazy a možnosti připojení vlastní externí metody pro výpočet metrik pomocí gRPC technologie. Vytvořené řešení poskytuje flexibilnější způsob zpracovávání metrik a také umožňuje implementovat způsob zcela vlastní
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
host ::
RSS.