|
|
Urban Element Detection Using Satellite Imagery
Oravec, Dávid ; Herout, Adam (referee) ; Zlámal, Adam (advisor)
Táto práca sa zameriava na správnu detekciu objektov v satelitných snímkach pomocou konvolučných neuronových sietí. Cieľom práce je pomocou natrénovaného modelu detekovať bazény a tenisové ihriská v satelitných snímkach z rôznych miest. Model pracuje s dátami z 10 rôznych miest. Pri vypracovaní bol využitý model neurónovej siete RetinaNet a knižnica Detectron2. Model, ktorý sa podarilo vytrénovať, dokáže detekovať objekty s priemernou presnosťou (AP50) na úrovni 63,402 %. Práca môže byť prínosom v oblasti automatizovania získavania štatistík o povrchu zeme.
|
|
|
Autofocus using CAN-EF interface
Ižarík, Marek ; Nováček, Petr (referee) ; Honec, Peter (advisor)
The main topic of this master thesis is creating, testing and implementation of algorithms for autofocus with Canon camera lens using CAN-EF interface, while one of the assignments is possibility to continuous focus to the vehicle in traffic monitoring. There are tested a number of criteria for the assessment if sharpness in the image and is designed automatic control system of the lens and camera.
|
|
|
Video Content Summarization
Jaška, Roman ; Kolář, Martin (referee) ; Beran, Vítězslav (advisor)
The amount surveillance footage recorded each day is too large for human operators to analyze. A video summary system to process and refine this video data would prove beneficial in many instances. This work defines the problem in terms of its inputs, outputs and sub-problems, identifies suitable techniques and existing works as well as describes a design of such system. The system is implemented, and the results are examined.
|
|
|
Detection and Recognition of Drone Movement in Video
Lapšanský, Simon ; Sakin, Martin (referee) ; Drahanský, Martin (advisor)
S nárastom dostupnosti dronov, narástlo aj riziko ich využívania na nelegálne aktivity. Na základe týchto rizík bola navrhnutá metóda na ich detekciu a následnú klasifikáciu aplikovateľnú v reálnom čase. Navrhovaný prístup využíva metódu odčítania pozadia, slúžiacu na detekciu objektov, zatiaľ čo klasifikácia je dosiahnutá pomocou hlbokého učenia. MOG2 využíva metódu zmiešaného Gaussovho modelu, ktorý slúži na odčítanie pozadia, za účelom detekcie objektov. YOLOv5 model pracujúci s neurónovými sieťami je využitý na následnú klasifikáciu detegovaných objektov. Implementácia vytvára spôsob detekcie a klasifikácie dronov s využitím procesora dosahujúca výsledky postačujúce na aplikovanie detekcie a klasifikácie dronov v reálnom čase. Metóda vyhodnocujúca záznam v rozlíšení 1080p, využívajúca procesor Intel i5-7600K dosahovala v priemere 16 snímiek za sekundu, počas detekcie jedného objektu v snímke.
|
|
|
Detection of persons and evaluation of gender and age in image data
Dobiš, Lukáš ; Vičar, Tomáš (referee) ; Kolář, Radim (advisor)
Táto diplomová práca sa venuje automatickému rozpoznávaniu ludí v obrazových dátach s využitím konvolučných neurónových sieti na určenie polohy tváre a následnej analýze získaných dát. Výsledkom analýzy tváre je určenie pohlavia, emócie a veku osoby. Práca obsahuje popis použitých architektúr konvolučných sietí pre každú podúlohu. Sieť na odhad veku má natrénované nové váhy, ktoré sú vzápätí zmrazené a majú do svojej architektúry vložené LSTM vrstvy. Tieto vrstvy sú samostatne dotrénované a testované na novom datasete vytvorenom pre tento účel. Výsledky testov ukazujú zlepšenie predikcie veku. Riešenie pre rýchlu, robustnú a modulárnu detekciu tváre a ďalších ludských rysov z jedného obrazu alebo videa je prezentované ako kombinácia prepojených konvolučných sietí. Tieto sú implementované v podobe skriptu a následne vysvetlené. Ich rýchlosť je dostatočná pre ďalšie dodatočné analýzy tváre na živých obrazových dátach.
|
|
|
Recognition of Driving Lane Borders in Video from On Board Camera
Letovanec, Lukáš ; Bartl, Vojtěch (referee) ; Herout, Adam (advisor)
This thesis is dedicated to the issue of driving lane borders recognition in frames of an onboard camera. In this thesis, an architecture of a deep convolutional neural network is introduced, by means of which the said problem is dealt with. The net was trained on a large dataset using gradient descent algorithm. The trained model has demonstrated the ability to recognize borders of a driving lane well in different situations and conditions. The result of the thesis confirms that deep convolutional neural networks are a suitable tool for driving lane borders recognition.
|
|
|
Detection of Boxes in Image
Žitňanský, Adam ; Špaňhel, Jakub (referee) ; Herout, Adam (advisor)
This thesis addresses the problem of cuboid detection, more specifically boxes detection in images. The main result is the implementation of a system for boxes detection based on corners and edges. The system consists of a CNN regression-based corner and edge points detector and decoder, which takes CNN output and turns it into a 2d model of the cuboid. As a part of this work also a a dataset of boxes with 550 images with corners and edges annotations was created
|
|
|
Vyhodnocení směru pohledu osoby
Virgala, Ján ; Odstrčilík, Jan (referee) ; Žalud, Luděk (advisor)
The aim of this bachelor thesis is to understand the problematics of eye tracking. Many current and historical eye tracking methods are described in this work as long as the main principles of their function. This work also informs about an application of the eye tracking systems in many fields of everyday life. This work contains the description of the realized programme and the main principles of its function. An analysis of the practical test performed on the group of volunteers and system-function-analysis are also included.
|
|
| |
|
|
Deep Learning for Object Detection
Pitoňák, Radoslav ; Dobeš, Petr (referee) ; Teuer, Lukáš (advisor)
This thesis analyzes different object detection methods which are based on deep neural networks. In the beginning, the convolutional neural networks are described and commonly used object detection methods are compared. In the following parts, the proposal and implementation of the object detection model trained on the specific dataset are described. In conclusion, the achieved results of this model are discussed and compared with the results of other methods.
|
guest ::
