|
|
System for People Detection and Localization Using Thermal Imaging Cameras
Charvát, Michal ; Kempter, Guido (oponent) ; Drahanský, Martin (vedoucí práce)
In today's world, there is an increasing need for automatic reliable mechanisms for detecting and localizing people -- from performing people flow analysis in museums, controlling smart homes to guarding hazardous areas like railway platforms. We propose a method for detecting and locating people using low-cost FLIR Lepton 3.5 thermal cameras and a~Raspberry Pi 3B+ computers. This thesis describes the continuation of the "Detection of People in Room Using Low-Cost Thermal Imaging Camera" project, which now supports modelling of complex scenes with polygonal boundaries and multiple thermal cameras observing them. In this paper, we introduce an improved control and capture library for the Lepton 3.5, a new person detection technique that uses the state-of-the-art YOLO (You Only Look Once) real-time object detector based on deep neural networks, furthermore, a new thermal unit with automated configuration using Ansible encapsulated in a custom 3D printed enclosure for safe manipulation, and last but not least, a step by step instruction manual on how to deploy the detection system in a new environment including other supporting tools and improvements. The results of the new system are demonstrated on a~simple people flow analysis performed in the Czech National Museum in Prague.
|
|
|
Vizuální detekce malých předmětů pomocí dostupných nástrojů v prostředí MATLAB
Sladký, Jiří ; Dobossy, Barnabás (oponent) ; Appel, Martin (vedoucí práce)
Tato práce zkoumá možnosti detekce malých objektů na obrázcích pomocí metody YOLO, algoritmu hlubokého učení dostupného v programu MATLAB. V práci byl navržen a natréno-ván detektor, jež dokáže detekovat hospodářská zvířata při pohledu shora. Vytvořen byl nástroj, který provede detekce s pomocí představeného modelu i na obrázcích o vysokém rozlišení a následně spočítá přítomné objekty. Naprogramován byl generátor syntetických obrázků, který výrazně pomohl s natrénováním tohoto modelu. Byly realizovány různé experimenty, jež vedly k nalezení hranic metody YOLO a ověřily přínos představených vylepšení.
|
|
|
Vyhledávání zájmových objektů ve videu
Iakymets, Bohdan ; Zemčík, Pavel (oponent) ; Beran, Vítězslav (vedoucí práce)
Práce se zaměřuje na vytvoření mobilní aplikace, která bude pomáhat návštěvníkům galerií a muzeí snadněji obdržet informace o zajímavém objektu výtvarného umění. Aplikace zahrnuje práci s rozšířenou realitou. Mobilní aplikace slouží pro poskytovaní informace uživateli o zajímavém díle. Data pro všechny díla jsou ukládaný na straně serveru, který je také části projektu.
|
|
|
Hluboké posilovaná učení a řešení pohybu robotu typu had
Kočí, Jakub ; Dobrovský, Ladislav (oponent) ; Matoušek, Radomil (vedoucí práce)
Tato diplomová práce se zabývá použitím posilovaného učení pro úkoly hlubokého učení. V teoretické části je rozebrán potřebný základ k neuronovým sítím a posilovanému učení. Práce popisuje teoretický model posilovaného učení - Markovovské procesy, na konvenčních algoritmech ukazuje některé zajímavé techniky a v rešeršní části ukazuje některé z používaných algoritmů hlubokého posilovaného učení. Praktická část práce se skládá z vlastního modelu robotu a prostředí a z vlastního systému posilovaného učení.
|
|
|
Vliv barevných modelů na chování konvolučních neuronových sítí
Šimunský, Martin ; Doležel, Petr (oponent) ; Škrabánek, Pavel (vedoucí práce)
Diplomová práce zkoumá aktuální poznatky týkající se vlivu barevných modelů na chování konvoluční neuronové sítě. Na základě poznatků je proveden experiment na toto téma se šesti barevnými modely RGB, HSV, CIE 1931 XYZ, CIE 1976 L*a*b*, YIQ a YCbCr a hlubokou konvoluční neuronovou sítí ResNet-101. Barevný model RGB dosáhl v tomto experimentu nejvyšší přesnosti klasifikace, model HSV nejnižší.
|
|
|
Generování obličejů s pomocí podmíněných generativních neuronových sítí
Venkrbec, Tomáš ; Hradiš, Michal (oponent) ; Kolář, Martin (vedoucí práce)
Cílem této práce je implementace a porovnání modelů různých architektur podmíněných generativních neuronových sítí. Jejich účelem je podmíněné generování realisticky vypadajících lidských obličejů s vybranými rysy. Byly porovnány výsledky z modelů architektur DCGAN, WGAN-GP a ProGAN, k jejichž implementaci bylo využito knihovny Tensorflow. Trénování modelů neuronových sítí probíhalo na datové sadě Flickr-Faces-HQ. Napříč všemi použitými architekturami se podařilo natrénovat modely generující realistické lidské obličeje, s možností výběru vzhledu podle pohlaví a věku.
|
|
|
Generating Faces with Generative Adversarial Networks
Konečný, Daniel ; Herout, Adam (oponent) ; Kolář, Martin (vedoucí práce)
The goal of this thesis is generating color images of faces from randomly chosen high-dimensional vectors with Generative Adversarial Networks. The next task is to analyze input vectors based on the features of faces generated from those vectors. Three different models of Generative Adversarial Network are implemented, one for generating images of handwritten digits and other two for generating images of faces. Generated images show credible-looking faces, but recognizable from real ones with a human eye. Single dimensions of input vectors are analyzed with Student's t-test. Linear Discriminant Analysis is then used to project input vectors into subspaces where the classes of features are separable. Analysis of generated data proves that the input vector can be specifically chosen to generate an image of a face with requested features with probability up to 80 %. The main result of this thesis is a model of Generative Adversarial Network for generating images of faces. A tool for generating images of faces with chosen features is implemented too.
|
|
|
Generování realistických snímků obloh
Špaček, Jan ; Wilkie, Alexander (vedoucí práce) ; Pilát, Martin (oponent)
Generování realistických snímků obloh Naším cílem je generovat realistické obrázky oblohy s oblačností pomocí generativních kompetitivních sítí (GAN). Zkoumáme dvě architektury GANů, ProGAN a StyleGAN, a zjišťujeme, že StyleGAN dosahuje významně lepších výsledků. Pro generování obrázků ve velmi vysokém rozlišení, které nemůže být efektivně zpracováno soudobými architekturami GANů, navrhujeme novou architekturu SuperGAN. 1
|
|
|
Semi-supervised Learning from Unfavorably Distributed Data
Sochor, Matěj ; Pilát, Martin (vedoucí práce) ; Mrázová, Iveta (oponent)
Semi-supervised učení je technika strojového učení snažící se využít nejen označko- vaná data (data pro která známe požadované výstupy), ale i neoznačkovaná data (data pro která požadované výstupy neznáme) s cílem snížit požadavky na množství označko- vaných dat a tím umožnit použití strojového učení i v případech kdy je označkování velkého množství dat příliš náročné. I přes svůj rychlý vývoj v posledních letech stále trpí problémy které brání jeho širokému využití v praxi. Jedním z těchto problémů je nesoulad distribucí tříd. Ten vzniká, když neoznačkovaná data obsahují vzorky které nepatří do žádné ze tříd označkovaných dat. To může zmást učení klasifikátoru do takové míry, že je ve výsledku horší než kdyby neoznačkovaná data vůbec nebyla využita. Tato diplomová práce navrhuje metodu nazvanou Unfavorable Data Filtering (UDF), která nejprve z dat extrahuje důležité příznaky a pak se na jejich základě pomocí filtru založeného na podobnosti datových vzorků snažít vyřadit nerelevantní data z trénovacích dat. Díky tomu, že je UDF použita před semi-supervised učením je možné ji použít s libovolnou učící metodou. Pro zjištění jak efektivní UDF je jsme provedli mnoho ex- perimentů, převážně na datasetu zvaném CIFAR-10. Pomocí těchto experimentů jsme zjistili, že filtrování pomocí UDF je opravdu schopno výrazně...
|
|
|
Efficient neural speech synthesis
Vainer, Jan ; Dušek, Ondřej (vedoucí práce) ; Hajič, Jan (oponent)
Modely pro práci se sekvenčními daty založené na neuronových sítích v posledních letech výrazně přispěly ke zlepšení kvality systémů pro syntézu řeči. Zatím však nebyl navržen systém, který by se dal rychle a efektivně natrénovat, byl schopen rychlé syntézy a zároveň generoval hlas ve vysoké kvalitě. V této diplomové práci představujeme systém pro syntézu řeči založený na neuronových sítích, který je schopen generovat spektrogramy v reálném čase, má nízké nároky na výpočetní kapacity a je rychle trénovatelný. Náš systém sestává ze dvou neuronových sítí- ze studenta a z učitele. Učitel je využit k aproximaci zarovnání mezi textem, z něhož má být generována mluvená řeč, a mezi korespondujícím spektrogramem. Student využívá získaná zarovnání pro efektivní syntézu spektrogramů z fonet- ické reprezentace vstupního textu. Obě sítě využívají jednoduché konvoluční vrstvy. Náš systém trénujeme na anglické datové sadě LJSpeech. Systém je schopen generovat řeč v reálném čase na běžném procesoru a je možné jej rychle natrénovat na jedné graické kartě. Kvalita řeči generované z našeho systému byla ohodnocena jako signifikantně vyšší v porovnání s konkurenčními systémy. 1
|
host ::
RSS.