|
|
Procedural Generation and Simulation of 2D Gaming World
Dubský, Tomáš ; Kocur, Viktor (oponent) ; Chlubna, Tomáš (vedoucí práce)
The goal of this thesis is to implement procedural generation and simulation of a two-dimensional gaming world. The virtual world is a seemingly-endless grid composed of small-tiled chunks which are generated and simulated when the player is nearby. The generated terrain consists of several biomes and underground caves. Liquids, gases or growth of grass are among the simulated processes of the world.
|
|
|
Použití self-supervised learning pro rozpoznání sportovních pozic v obraze
Olekšák, Samuel ; Kocur, Viktor (oponent) ; Herout, Adam (vedoucí práce)
Táto práca demonštruje spôsob, ako minimalizovať množstvo potrebných označených trénovacích dát pri klasifikácií športových pozícií s použitím neurónovej siete trénovanej metódou contrastive self-supervised learning. Trénovanie prebieha v dvoch etapách. V prvej sa trénuje extraktor príznakov, ktorý využíva neoznačené trénovacie obrázky extrahované z nahrávok cvičení z viacerých uhlov. V druhej etape sa s využitím malého množstva označených dát trénuje jednoduchý klasifikátor napojený na extraktor príznakov. Práca pojednáva o klasifikácií v kontexte jogových póz, avšak výsledné riešenie sa dá jednoducho aplikovať aj na iné športy v prípade získania vhodnej dátovej sady. Pri návrhu riešenia je kladený dôraz na výkon výsledného modelu, aby mohol byť použiteľný v mobilných zariadeniach. Výsledný model na dátovej sade so štyrmi označenými obrázkami na každú jogovú pózu dosiahol s využitím augmentácií vstupných dát úspešnosť 76 %. Na väčšej dátovej sade s 800 označenými obrázkami na všetky pozície je úspešnosť 82 %.
|
|
|
Experimenty s určením lidské pózy v obraze a videu
Horejš, Michal ; Kocur, Viktor (oponent) ; Herout, Adam (vedoucí práce)
Detekce jevů v obraze má široké uplatnění v mnoha oborech a je proto důležité detekci neustále vyvíjet a vylepšovat. Tato práce se konkrétně zabývá problémem detekce sportovních pozic v obraze a videu. Cílem bylo experimentovat s nástroji pro rozpoznání lidské pózy a obecně rozpoznání jevů. Během experimentů došlo k vytvoření tří nových datových sad, ve kterých jsou využity klíčové body lidského těla. Datasety poté sloužily k trénování několika namodelovaných architektur konvolučních neuronových sítí. Výsledky experimentů ukazují, že vhodné využití klíčových bodů může pomoci s detekcí sportovních pozic.
|
|
|
Self-Supervised Learning for Recognition of Hand Poses in Image
Makaiová, Lucia ; Kocur, Viktor (oponent) ; Herout, Adam (vedoucí práce)
This work focuses on using self-supervised learning for the task of hand poses recognition in image. I have used contrastive method of self-supervised learning and optimized the solution iteratively, using techniques such as early stopping, triplet mining, optimization of hyperparameters or experimenting with various model architectures. The method was implemented with Pytorch framework and Tensorboard was used for data processing and visualization. I have trained the first model using a supervised method, to obtain reference values. I have successfully matched this reference result by training a self-supervised model on Handz dataset and achieving 83% accuracy. The created solution provides findings, which can be applied to similar problems, such as recognition of sport poses. The main contribution of this work is the discovery, that self-supervised methods are particularly effective when using a labeled dataset for downstream task with just a small amount of samples, which in addition have uneven distribution of samples for individual classes. Based on these findings, it is possible to create a method for self-supervised learning for recognition of sport poses or further optimize existing solution for hand poses.
|
|
|
Použití self-supervised learning pro rozpoznání sportovních pozic v obraze
Olekšák, Samuel ; Kocur, Viktor (oponent) ; Herout, Adam (vedoucí práce)
Táto práca demonštruje spôsob, ako minimalizovať množstvo potrebných označených trénovacích dát pri klasifikácií športových pozícií s použitím neurónovej siete trénovanej metódou contrastive self-supervised learning. Trénovanie prebieha v dvoch etapách. V prvej sa trénuje extraktor príznakov, ktorý využíva neoznačené trénovacie obrázky extrahované z nahrávok cvičení z viacerých uhlov. V druhej etape sa s využitím malého množstva označených dát trénuje jednoduchý klasifikátor napojený na extraktor príznakov. Práca pojednáva o klasifikácií v kontexte jogových póz, avšak výsledné riešenie sa dá jednoducho aplikovať aj na iné športy v prípade získania vhodnej dátovej sady. Pri návrhu riešenia je kladený dôraz na výkon výsledného modelu, aby mohol byť použiteľný v mobilných zariadeniach. Výsledný model na dátovej sade so štyrmi označenými obrázkami na každú jogovú pózu dosiahol s využitím augmentácií vstupných dát úspešnosť 76 %. Na väčšej dátovej sade s 800 označenými obrázkami na všetky pozície je úspešnosť 82 %.
|
|
|
Procedural Generation and Simulation of 2D Gaming World
Dubský, Tomáš ; Kocur, Viktor (oponent) ; Chlubna, Tomáš (vedoucí práce)
The goal of this thesis is to implement procedural generation and simulation of a two-dimensional gaming world. The virtual world is a seemingly-endless grid composed of small-tiled chunks which are generated and simulated when the player is nearby. The generated terrain consists of several biomes and underground caves. Liquids, gases or growth of grass are among the simulated processes of the world.
|
host ::
RSS.