|
|
Vložení 2D grafiky do scény zabírané stacionární kamerou
Nguyen, Son Hai ; Beran, Vítězslav (oponent) ; Herout, Adam (vedoucí práce)
Rozšířená realita zobrazuje další informaci v reálném světě. Hlavním cílem této práce je dosažení přirozeného vzhledu vkládané 2D grafiky do scény pořízené stacionární kamerou. Přestože několik metod řeší problem segmentace popředí, tak většina z nich není dostanečně robustní v růzonorodých scénách. Modifikovaná verze algoritmu ViBe produkuje nejpřesnější výsledky, avšak kvůli popisu alfa masky pouze dvěma hodnotami hrany segmentovaných objektů jsou hrubé. Pro vyhlazení daných hran je použit algoritmus Global Sampling Matting, provedené vyhlazení zlepšuje perceptuální kvalitu alfa masky. Jelikož ViBe nerozlišuje stíny, objevovaly se artefakty po zpětném vložení popředí do scény. Daný problem byl vyřešen navrhnutým algoritmem na segmentaci stínů, který porovnává odstín a texturu mezi modelem pozadí a popředím. Pro odstranění umělého vzhledu vložené grafiky, byl navrhnut algoritmus na propagaci textur. Segmentační a matting algoritmy jsou otestovány na různých datasetech. Výsledný system je následně demonstrován na různých scénách.
|
|
|
Approximation of Sound Propagation by Neural Networks
Nguyen, Son Hai ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Neural solvers have been increasingly explored to replace computationally expensive conventional numerical methods for solving PDEs. This work focuses on solving the time-independent Helmholtz equation for the transcranial ultrasound therapy. Using the convolutional neural networks requires the data to be sampled on a regular grid. In order to try to lift this restriction, we propose an iterative solver based on graph neural networks. Unlike Physics-informed neural networks, our model needs to be trained only once, and only a forward pass is required to obtain a new solution given input parameters. The model is trained using supervised learning, where the reference results are computed using the traditional solver k-Wave. Our results show the model's unroll stability despite being trained with only 8 unroll iterations. Despite the model being trained on the data with a single wave source, it can predict wavefields with multiple wave sources in much larger computational domains. Our model can produce a prediction for sub-pixel points with higher accuracy than linear interpolation. Additionally, our solution can predict the wavefield with downsampled Laplacian - only three samples per wavelength. We are unaware of any other existing method capable of working with such a sparse discretization.
|
|
|
Detekce čárových kódů v obraze
Vašíček, Vojtěch ; Vaško, Marek (oponent) ; Nguyen, Son Hai (vedoucí práce)
Cílem této práce je zhodnocení současných metod detekce čárových kódů v obraze, otestování několika vybraných metod a následné navržení a implementace vylepšení některé z těchto metod. V této práci byla otestována Scharrova metoda detekce, detektor knihovny OpenCV a neuronová síť YOLOv5. Samotné vylepšení bylo provedeno kombinací neuronové sítě YOLOv5 a detektoru čárových kódů knihovny OpenCV. Podařilo se dosáhnout zlepšení average precision při prahu 0.5 o 3.42% oproti metodě YOLOv5 a 38.38% oproti detektoru čárových kódů knihovny OpenCV.
|
|
|
Approximation of Sound Propagation by Neural Networks
Nguyen, Son Hai ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Neural solvers have been increasingly explored to replace computationally expensive conventional numerical methods for solving PDEs. This work focuses on solving the time-independent Helmholtz equation for the transcranial ultrasound therapy. Using the convolutional neural networks requires the data to be sampled on a regular grid. In order to try to lift this restriction, we propose an iterative solver based on graph neural networks. Unlike Physics-informed neural networks, our model needs to be trained only once, and only a forward pass is required to obtain a new solution given input parameters. The model is trained using supervised learning, where the reference results are computed using the traditional solver k-Wave. Our results show the model's unroll stability despite being trained with only 8 unroll iterations. Despite the model being trained on the data with a single wave source, it can predict wavefields with multiple wave sources in much larger computational domains. Our model can produce a prediction for sub-pixel points with higher accuracy than linear interpolation. Additionally, our solution can predict the wavefield with downsampled Laplacian - only three samples per wavelength. We are unaware of any other existing method capable of working with such a sparse discretization.
|
|
|
Vložení 2D grafiky do scény zabírané stacionární kamerou
Nguyen, Son Hai ; Beran, Vítězslav (oponent) ; Herout, Adam (vedoucí práce)
Rozšířená realita zobrazuje další informaci v reálném světě. Hlavním cílem této práce je dosažení přirozeného vzhledu vkládané 2D grafiky do scény pořízené stacionární kamerou. Přestože několik metod řeší problem segmentace popředí, tak většina z nich není dostanečně robustní v růzonorodých scénách. Modifikovaná verze algoritmu ViBe produkuje nejpřesnější výsledky, avšak kvůli popisu alfa masky pouze dvěma hodnotami hrany segmentovaných objektů jsou hrubé. Pro vyhlazení daných hran je použit algoritmus Global Sampling Matting, provedené vyhlazení zlepšuje perceptuální kvalitu alfa masky. Jelikož ViBe nerozlišuje stíny, objevovaly se artefakty po zpětném vložení popředí do scény. Daný problem byl vyřešen navrhnutým algoritmem na segmentaci stínů, který porovnává odstín a texturu mezi modelem pozadí a popředím. Pro odstranění umělého vzhledu vložené grafiky, byl navrhnut algoritmus na propagaci textur. Segmentační a matting algoritmy jsou otestovány na různých datasetech. Výsledný system je následně demonstrován na různých scénách.
|
host ::
RSS.