|
|
Příprava trénovacích dat pomocí generativních neuronových sítí
Ševčík, Pavel ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
|
|
|
Detekce objektů pomocí hlubokých neuronových sítí
Paníček, Andrej ; Herout, Adam (oponent) ; Teuer, Lukáš (vedoucí práce)
Táto práca sa zaoberá detekciou objektov pomocou hlbokých neurónových sietí. V rámci riešenia som upravil, implementoval a natrénoval dobre známy model kaskádových neuró- nových sietí MTCNN tak aby dokázal vykonávať detekciu dopravných značiek. Trénovacie dáta boli vygenerované z dátových sád GTSRB a GTSDB. MTCNN ukázal solídny výkon na vyhodnocovacích dátach z dátovej sady GTSDB, kde dosiahol presnosť detekcie 97.8 %.
|
|
|
Analýza záznamu palubní kamery automobilu
Kadeřábek, Jan ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Práce se zabývá analýzou záznamu palubní kamery automobilu. Při zpracování záznamů probíhá detekce zákazových dopravních značek, následná klasifikace konkrétního typu dopravní značky a případné určení hodnoty rychlostního limitu. Ze zpracovaných informací se pokouší vytvořit výsledný soubor, který zahrnuje unikátní výskyty dopravních značek včetně jejich GPS souřadnic. Za účelem detekce a rozpoznání dopravních značek jsou vytvořeny potřebné datové sady. Jako detektor je použit kaskádový klasifikátor s příznaky LBP. Klasifikace typu a hodnot dopravních značek je prováděna pomocí klasifikační metody k-Nearest Neigbour.
|
|
|
Detekce dopravních značek
Ťapuška, Tomáš ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Táto bakalárska práca sa zaoberá detekciou dopravných značiek v obraze. Popisuje známe postupy, ich výhody a nevýhody. Je v nej uvedený popis implementácie systému pre detekciu dopravných značiek. V poslednej kapitole sú uvedené testy prevedené na systéme s využitím testovacej sady, ktorú som zostavil a anotoval.
|
|
|
Rozpoznávání vzorů
Pelc, Matěj ; Richter, Miloslav (oponent) ; Horák, Karel (vedoucí práce)
Tato práce představuje algoritmus rozpoznávaní dopravních značek v obraze při dobrých světelných podmínkách. Využívá metodu segmentace na základě barev pro nalezení červených dopravních značek. K identifikaci jednotlivých tvarů je využita metoda rychlé radiální symetrie FRS. Na základě této metody jsou dopravní značky děleny do čtyř tříd.
|
host ::
RSS.