|
|
Neural Networks for Video Quality Enhancement
Sirovatka, Matej ; Juránek, Roman (oponent) ; Hradiš, Michal (vedoucí práce)
In this thesis, a new method for video super-resolution is proposed. The method is based on the idea of using deformable convolutional layers together with optical flow to align features from multiple sequential video frames. This novel module is then used in a U-Net-like deep neural network to predict high-resolution frames. The proposed method is evaluated on a dataset containing real-life scenes and compared to other methods. Multiple different configurations of the proposed method are tested and the results are analyzed. The results of the experiments show promising results, with the model outperforming bilinear interpolation, and single-frame methods. Multiple different architectures of the feature alignment module together with the rest of the U-Net architecture are tested, showing that using Vgg19 as the encoder of the U-Net gives the best results.
|
|
|
Interaktivní nástroj pro bike fitting využívající počítačové vidění
Kocman, Matej ; Hradiš, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Bike fitting is the adjustment of a cyclist’s pose on the bike often with the help of video analysis with the aim of increasing comfort, preventing injury and performance optimisation. The goal of this thesis was to create a prototype application for bike fitting, which would follow up on existing applications of its kind and would offer a working solution for chosen problems. The application offers functionality for increased keypoint detection accuracy, lowering the number of position iterations needed for optimal bike setup and optimal pose setup for a bike with limited setup options. The application was tested on users and contributed towards reaching an ideal position after a few iterations already. The application is a useful tool for bike fitting at home and the thesis propositions ways of improving it further.
|
|
|
Automatická vizuální podpora pro Q-řazení
Kán, Dávid ; Hradiš, Michal (oponent) ; Vaško, Marek (vedoucí práce)
This bachelor thesis deals with the integration of Q-sorting and computer vision methods for object detection. The goal of the work is to create a program that, with the help of~visual support, will facilitate the process and at the same time prevent errors in Q-sorting. Furthermore, the work deals with the creation of~a suitable data set for training the model and for experiments, which takes into account the way the cards are laid out and the~environment. The implemented program takes the form of a console application and is written using the Python programming language. The program uses YOLOv8 to detect objects and uses Pero OCR to retrieve text from cards. Using the created test set, experiments were performed on the trained model and the program was tested.
|
|
|
Aplikace pro odstranění objektů z obrázků s využitím metod hlubokého učení
Kotoun, Josef ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
Práce se zabývá tvorbou webové aplikace, která uživateli umožňuje jednoduchým způsobem vybrat objekt v obrázku a následně ho odstranit vizuálně věrohodným způsobem. Aplikace je implementována s použitím frameworku SvelteKit. K výběru a odstranění objektů jsou využity neuronové sítě Mobile Segment Anything a Mobile Inpainting GAN. Neuronové sítě jsou spouštěny na klientské straně webové aplikace s využitím knihovny ONNX Runtime Web, pro efektivní využití zdrojů klientova zařízení jsou použity technologie WebGPU a WebAssembly. Výsledná aplikace umožňuje díky využitým neuronovým sítím vybrat a odstranit objekt pouze v několika málo kliknutích. Dle zpětné vazby uživatelů se s aplikací pracuje jednoduše a upravená část výsledné fotografie je ve většině případů jen těžko postřehnutelná.
|
|
|
Webová aplikace pro efektivní anotaci atributů objektů ve videu
Pernický, Michal ; Kohút, Jan (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je vytvořit webovou aplikaci pro anotaci atributů objektů ve videu, která kombinuje efektivní uživatelské rozhraní s asistenčním klasifikátorem poskytujícím predikce. Na rozdíl od aktuálně dostupných nástrojů se řešení zaměřuje přímo na objekty bez jejich zařazení do původních videí. Důležitá je možnost filtrace objektů podle jejich atributů a hromadné potvrzení či zamítnutí predikované hodnoty atributu. Testováním na uživatelích bylo zjištěno snížení času stráveného prací až o polovinu. Ukazuje to, že další práce s tímto principem anotace má význam.
|
|
|
Video Denoising Using Deep Learning
Naumenko, Maksim ; Hradiš, Michal (oponent) ; Španěl, Michal (vedoucí práce)
In the era of digital multimedia, video content quality significantly impacts user experiences and system performance, particularly in domains such as entertainment, and video and image processing. This thesis addresses the persistent challenge of video noise, which degrades video quality, through the use of advanced deep learning techniques. Initially, traditional video denoising approaches are reviewed to establish a foundational understanding of denoising concepts. Subsequently, two state-of-the-art models, FastDVDNet and ViDeNN, are studied to familiarize with neural network architectures. The main product of this work is the development of a robust video denoising pipeline that utilizes a UNet architecture inspired by these state-of-the-art models. Throughout the thesis, the proposed UNet Baseline, ResUNet, and ResUNet Temporal models are explained, implemented, and evaluated to demonstrate their effectiveness in video denoising.
|
|
|
Guided Reinforcement Learning for Motor Skills
Karabelly, Jozef ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
This thesis aims to present an overview of the current state of research in guided reinforcement learning for motor skills and identify potential research paths. Besides, the thesis introduces an improved method for learning physically simulated character animations based on the current techniques. The pre-trained model shows the ability to perform well on various new tasks. A custom dataset was collected explicitly for pre-training the model introduced in this thesis. Future improvements and possible research paths are proposed based on the experiments' results.
|
|
|
Page Layout Analysis with Graph Neural Networks
Otčenáš, Matej ; Kišš, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
The aim of this work is to experimentally test the power of graph neural networks in the comprehensive analysis of document layout. In terms of document types, the focus is primarily on newspaper articles and historical writings, such as handwritten books or medieval manuscripts. These are characterized by the complexity of their layout, lacking a fixed structure or having highly segmented text. The work deals with the creation of suitable datasets for training and testing an approach for globally ordering the sequence of reading lines on a page and assigning each line to one of the defined classes. The research also involves creating an appropriate representation of a graph that captures relationships between individual components on the page and selecting a suitable graph neural network with the appropriate parameters. Finally, the different approaches are evaluated and compared on multiple metrics suitable for the given problem, and the findings are summarized with a discussion on possible enhancements and limitations.
|
|
|
Detekce objektu s využitím hloubkových dat
Valko, Marek ; Hradiš, Michal (oponent) ; Musil, Petr (vedoucí práce)
This bachelor thesis addresses the detection of objects in images using depth data. The goal was to select appropriate deep learning methods and experimentally verify them on relevant datasets. The thesis begins with an overview of basic techniques for detecting objects in images and depth data, utilizing selected datasets NYU Depth v2 and Washington RGB-D to test modified YOLOv5 and YOLOv8 models, adapted for effective processing of RGB-D data. The experiments explored various representations of depth information and analyzed how the integration of depth data enhances the performance of these models. The results demonstrated significant improvements in mAP metrics compared to traditional models that use only RGB data. The integration of depth data thus allowed for more accurate and reliable object detection results.
|
|
|
Hraní her pomocí neuronových sítí
Buchal, Petr ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce je naučit neuronovou síť pohybu v prostředích s klasickou kontrolou řízení, hraní tahové hry 2048 a několika Atari her. Jedná se o oblast zpětnovazebního učení. Jako zpětnovazební algoritmus využívající neuronové sítě jsem použil Hluboké Q-učení. Ten jsem pro zvýšení efektivity učení obohatil o několik vylepšení. Mezi vylepšení patří přidání cílové sítě, DDQN, duální architektura neuronové sítě a prioritní vzpomínková paměť. Experimenty s klasickou kontrolou řízení zjistily, že nejvíce zvedá efektivitu učení přidání cílové sítě. V prostředích her dosáhlo Hluboké Q-učení několikanásobně lepších výsledků než náhodný hráč. Výsledky a jejich analýza mohou být využity ke vhledu do problematiky zpětnovazebních algoritmů využívajících neuronové sítě a zdokonalení použitých postupů.
|
host ::
RSS.