|
|
Fast Analysis of Borders in Image
Kolesár, Matej ; Španěl, Michal (oponent) ; Herout, Adam (vedoucí práce)
This thesis focuses on the problem of detecting edges in natural images while maintaining high performance per image. First, the existing approaches are analysed and from them the relevant information is extracted. This information is then used to design two architectures that use convolutional neural networks. One architecture is based on RCF and enriches the output, while the other is a combination of RCF and RCN. This combination provides better up-sampling and enriches the output even more. Evaluation was performed on the BSDS500 dataset and the best result was for achieved for the model that combined RCF and RCN with an ODS score of 0.675.
|
|
|
Cloud Computing Application Design Patterns
Kolesár, Matej ; Burget, Radek (oponent) ; Rychlý, Marek (vedoucí práce)
Cieľom tejto práce je demonštrovať existujúce cloudove vzory, ktoré riešia problémy v cloud prostrediach. Rôzne cloudove vzory sú analyzované najprv na vyššej úrovni z pohľadu architektúry aplikácie a následne aj na nižších úrovniach pre jednotlivé komponenty. Tieto architektúry a komponenty poskytujú výhodu v istých situáciách a záleží na správaní aplikácie, ako veľmi zjednodušia a zlepšia využívanie cloud prostredia. Je navrhnutá demo aplikácia, ktorá ma 2 návrhy. Prvý návrh používa servisy, ktore vyzdvihuju výhody AWS a druhý návrh možno nasadiť v súkromných cloudoch ale aj na AWS. Aplikácia je nasadzovaná pomocou kubernetov a používa microservisy ako zvolenú architektúru. Po nasadení sú nad aplikáciou urobené experimenty, ktoré slúžia na overenie použitých vzorov a či mali očakávané dopady na aplikáciu.
|
|
|
Fast Analysis of Borders in Image
Kolesár, Matej ; Španěl, Michal (oponent) ; Herout, Adam (vedoucí práce)
This thesis focuses on the problem of detecting edges in natural images while maintaining high performance per image. First, the existing approaches are analysed and from them the relevant information is extracted. This information is then used to design two architectures that use convolutional neural networks. One architecture is based on RCF and enriches the output, while the other is a combination of RCF and RCN. This combination provides better up-sampling and enriches the output even more. Evaluation was performed on the BSDS500 dataset and the best result was for achieved for the model that combined RCF and RCN with an ODS score of 0.675.
|
host ::
RSS.