|
|
Předpovídání trajektorie vozidel a chodců pro asistenční systémy řízení
Mudroň, Marek ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
V tejto práci sa zaoberám vytváraním reprezentácie dopravnej scény pomocou spracovania monokulárneho záznamu. Na základe vytvorenej reprezentácie sa snažím predpovedať trajektórie detekovaných vozidiel v krátkom časovom horizonte 2 sekúnd. Súčasné postupy využívajú viacero drahých senzorov na zhromažďovanie okamžitých informácií o prostredí. Predstavujem postup, ktorý pomocou viacerých modelov strojového učenia, dokáže z videa zistiť rovnaké údaje, ako spomínané senzory. Výsledkom je systém umožňujúci zníženie nákladov na senzory pre vytváranie reprezentácie prostredia a predikciu trajektórie vozidiel v scéne. Ďalším prínosom je porovnanie presnosti modelov, trénovaných na odlišne spracovaných dátach. Pri porovnaní poskytujem údaje o tom, ako veľmi sa približujú k presnosti najspoľahlivejších predikčných systémov.
|
|
| |
|
|
Semantic Segmentation of Pathologies in Retinal Images
Čabala, Roman ; Orság, Filip (oponent) ; Kavetskyi, Andrii (vedoucí práce)
The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.
|
|
| |
|
|
Cell segmentation from wide-field light microscopy images using CNNs
GHAZNAVI, Ali
Image object segmentation allows localising the region of interest in the image (ROI) and separating the foreground from the background. Cell detection and segmentation are the primary and critical steps in microscopy image analysis. Analysing microscopy images allows us to extract vital information about the cells, including their morphology, size, and life cycle. On the other hand, living cell segmentation is challenging due to the complexity of these datasets. This research focused on developing Artificial Intelligence/Machine Learning methods of single- and multi-class segmentation of living cells. For this study, the Negroid cervical epithelioid carcinoma HeLa line was chosen as the oldest, immortal, and most widely used model cell line. Several time-lapse image series of living HeLa cells were captured using a high-resolved wide-field transmitted/reflected light microscope (custom-made for the Institute of Complex System, Nové Hrady, Czech Republic) to observe micro-objects and cells. Employing a telecentric objective with a high-resolution camera with a large sensor size allows us to achieve a high level of detail and sharper borders in large microscopy images. The collected time-lapse images were calibrated and denoised in the pre-processing step. The data sets collected under the transmission microscope setup were analyzed using a simple U-Net, Attention U-Net, and Residual Attention U-Net to achieve the best single-class semantic segmentation result. The data sets collected under the reflection microscope setup were analyzed using hybrid U-Net methods, including Vgg19-Unet, Inception-Unet, and ResNet34-Unet, to achieve the most precise multi-class segmentation result.
|
|
|
Semantic segmentation using support vector machine classifier
Pecha, Marek ; Langford, Z. ; Horák, David ; Tran Mills, R.
This paper deals with wildfire identification in the Alaska regions as a semantic segmentation task using support vector machine classifiers. Instead of colour information represented by means of BGR channels, we proceed with a normalized reflectance over 152 days so that such time series is assigned to each pixel. We compare models associated with $\mathcal{l}1$-loss and $\mathcal{l}2$-loss functions and stopping criteria based on a projected gradient and duality gap in the presented benchmarks.
|
|
|
Hodnocení neurčitosti predikcí neuronových sítí v úlohách klasifikace, detekce a segmentace
Vlasák, Jiří ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zaměřuje na porovnání tří široce používaných metod pro zlepšení odhadů neurčitosti: hlubokých ansámlů, monte carlo dropout a temperature scaling. Tyto metody jsou aplikovány na šest modelů pro počítačové vidění, mezi nimiž jsou předtrénované modely i modely trénované od nuly. Tyto modely jsou hodnoceny na datasetech počítačového vidění pro úlohy klasifikace, sémantické segmentace a detekce objektů, při použití široké škály metrik. Modely jsou rovněž evaluovány na transformovaných datasetech, kvůli jejich ohodnocení na datech mimo trénovací distribuci. Tyto modifikované modely dosahují slibných výsledků. Ansámbly překonávají ostatní modely až o 70 % v přesnosti a o 0.2 v IOU na transformovaném segmentačním datasetu MedSeg COVID-19 a zároveň překonávají ostatní modely na datasetech CIFAR-100 a FMNIST.
|
|
|
Předpovídání trajektorie vozidel a chodců pro asistenční systémy řízení
Mudroň, Marek ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
V tejto práci sa zaoberám vytváraním reprezentácie dopravnej scény pomocou spracovania monokulárneho záznamu. Na základe vytvorenej reprezentácie sa snažím predpovedať trajektórie detekovaných vozidiel v krátkom časovom horizonte 2 sekúnd. Súčasné postupy využívajú viacero drahých senzorov na zhromažďovanie okamžitých informácií o prostredí. Predstavujem postup, ktorý pomocou viacerých modelov strojového učenia, dokáže z videa zistiť rovnaké údaje, ako spomínané senzory. Výsledkom je systém umožňujúci zníženie nákladov na senzory pre vytváranie reprezentácie prostredia a predikciu trajektórie vozidiel v scéne. Ďalším prínosom je porovnanie presnosti modelov, trénovaných na odlišne spracovaných dátach. Pri porovnaní poskytujem údaje o tom, ako veľmi sa približujú k presnosti najspoľahlivejších predikčných systémov.
|
|
| |
|
|
Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí
Marko, Peter ; Beran, Vítězslav (oponent) ; Veľas, Martin (vedoucí práce)
Práca sa zaoberá detekciou čiary vodorovného dopravného značenia z mračna bodov, ktoré bolo získané laserovým mobilným mapovaním. Systém pracuje interaktívne v spolupráci s užívateľom, ktorý vyznačí počiatok čiary dopravného značenia. Program postupne deteguje zvyšné časti dopravného značenia a vytvorí ich vektorovú reprezentáciu. Na začiatku je mračno bodov premietnuté do vodorovnej roviny a výsledkom je 2D obrázok, ktorý je segmentovaný konvolučnou neurónovou sieťou U-Net. Segmentácia označuje jednu dopravnú čiaru. Segmentácia je prevedená na lomenú čiaru, ktorú je možné použiť v geo-informačnom systéme. Sieť U-Net pri testovaní dosiahla presnosť segmentácie 98,8\%, špecificitu 99,5\% a senzitivitu 72,9\%. Odhadnutá lomená čiara dosiahla priemernú odchýlku 1,8cm.
|
host ::
RSS.