|
|
Vehicle Make and Model Recognition in Image
Hrivňák, Marek ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
This thesis focuses on training convolutional neural network for vehicle recognition in image, preparation of training data and improvement of classification accuracy. Solution focuses on effect of using 2D bounding box and data augmentation for better recognition accuracy. In this thesis, I also elaborate the comparison with papers using 3D bounding box and showing, my method approaches in some cases even outperforms method using 3D bounding box. BoxCars116k data set is used, which is freely available and collected by the GRAPH@FIT research group. In order to support the main data set, I also collected some vehicle images. As a result of the analysis, it is observed that accuracy of vehicle recognition increased 8% points in comparison with other convolutional neural networks without the proposed modifications. As part of my thesis I also performed several experiments, which show effect of different factors on classification accuracy.
|
|
|
Návrh back-endu pro analytický dashboard pozičního systému
Hrivňák, Marek ; Bardonek, Petr (oponent) ; Šimek, Václav (vedoucí práce)
Táto práca sa zaoberá optimalizáciou pôvodného riešenia a navrhnutím nového riešenia pre ukladanie a spracovanie pozičných dát nástroja Sage Analytics systému RTLS vytvoreného spoločnosťou Sewio Networks s.r.o. Cieľom tejto práce je nájdenie a aplikácia spôsobu akým je možné skrátiť čas vyhotovenia metrík nástroja Sage Analytics. Optimalizáciou pôvodného riešenia v tejto práci sa podarilo jednoduchým spôsobom (bez nutnosti úpravy implementácie) výrazne zrýchliť proces zhotovovania metrík (pre časový interval 24 hodín zobrazovaných dát) v priemere až o 503 %. Navrhnuté riešenie využíva k ukladaniu pozičných dát databázu InfluxDB a upravuje spracovanie dát takým spôsobom, aby bolo kompatibilné s využitím nového spôsobu ukladania a získavania pozičných dát. Súčasťou nového riešenia je aj vytvorenie testov pre kontrolu správnosti navrhnutého riešenia. Aplikovanie tohto riešenia prináša zrýchlenie pri procese zhotovenia metrík (pre časový interval 24 hodín zobrazovaných dát) od 725 % až po 2085 % a v priemere až okolo 1010 %. Súčasťou práce je aj vykonanie niekoľkých experimentov, ktoré majú za cieľ priblížiť dôvody dĺžky trvania metrík v nástroji Sage Analytics.
|
|
|
Návrh back-endu pro analytický dashboard pozičního systému
Hrivňák, Marek ; Bardonek, Petr (oponent) ; Šimek, Václav (vedoucí práce)
Táto práca sa zaoberá optimalizáciou pôvodného riešenia a navrhnutím nového riešenia pre ukladanie a spracovanie pozičných dát nástroja Sage Analytics systému RTLS vytvoreného spoločnosťou Sewio Networks s.r.o. Cieľom tejto práce je nájdenie a aplikácia spôsobu akým je možné skrátiť čas vyhotovenia metrík nástroja Sage Analytics. Optimalizáciou pôvodného riešenia v tejto práci sa podarilo jednoduchým spôsobom (bez nutnosti úpravy implementácie) výrazne zrýchliť proces zhotovovania metrík (pre časový interval 24 hodín zobrazovaných dát) v priemere až o 503 %. Navrhnuté riešenie využíva k ukladaniu pozičných dát databázu InfluxDB a upravuje spracovanie dát takým spôsobom, aby bolo kompatibilné s využitím nového spôsobu ukladania a získavania pozičných dát. Súčasťou nového riešenia je aj vytvorenie testov pre kontrolu správnosti navrhnutého riešenia. Aplikovanie tohto riešenia prináša zrýchlenie pri procese zhotovenia metrík (pre časový interval 24 hodín zobrazovaných dát) od 725 % až po 2085 % a v priemere až okolo 1010 %. Súčasťou práce je aj vykonanie niekoľkých experimentov, ktoré majú za cieľ priblížiť dôvody dĺžky trvania metrík v nástroji Sage Analytics.
|
|
|
Vehicle Make and Model Recognition in Image
Hrivňák, Marek ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
This thesis focuses on training convolutional neural network for vehicle recognition in image, preparation of training data and improvement of classification accuracy. Solution focuses on effect of using 2D bounding box and data augmentation for better recognition accuracy. In this thesis, I also elaborate the comparison with papers using 3D bounding box and showing, my method approaches in some cases even outperforms method using 3D bounding box. BoxCars116k data set is used, which is freely available and collected by the GRAPH@FIT research group. In order to support the main data set, I also collected some vehicle images. As a result of the analysis, it is observed that accuracy of vehicle recognition increased 8% points in comparison with other convolutional neural networks without the proposed modifications. As part of my thesis I also performed several experiments, which show effect of different factors on classification accuracy.
|
host ::
RSS.