|
|
Evoluční model s učením (LEM) pro optimalizační úlohy
Grunt, Pavel ; Vašíček, Zdeněk (oponent) ; Schwarz, Josef (vedoucí práce)
Tato práce se zabývá evolučním modelem s učením, relativně novou evoluční optimalizační metodou používající klasifikační algoritmy. Její optimalizační průběh je řízen dle charakteristiky rozdílu skupiny nejlepších od skupiny nejhorších řešení v populaci. Práce blíže představuje nové verze metody s klasifikačními algoritmy AdaBoost, SVM a také způsob využívání většího počtu skupin řešení. Kvality metod byly ověřovány na řadě experimentů ve statickém i dynamickém prostředí. Výsledky experimentů ukázaly, že metoda dosahuje nejlepších hodnot při menších velikostech skupin. Při srovnání s EDA (Estimation of Distribution Algorithm) optimalizačním algoritmem varianty evolučního modelu s učením dosahovaly srovnatelných a lepších výsledků rychleji. Celkově nejlépe si vedla varianta kombinující klasifikátory AdaBoost a SVM.
|
|
|
Kamera s výměnou obličeje pro Android
Škorňok, Petr ; Páldy, Alexander (oponent) ; Szentandrási, István (vedoucí práce)
Cílem této práce je prozkoumat existující možnosti pro detekci obličejů v obraze na mobilních zařízeních s operačním systémem Android a na základě zjištění vytvořit aplikaci podporující výměnu obličeje se vstupem z kamery. Návrh aplikace se drží snahy dosáhnout co možná největší rychlosti při zpracování jednotlivých snímků a výsledné řešení je otestováno z pohledu uživatele i programové funkčnosti a rychlosti.
|
|
|
Detekce rasistických symbolů z obrazu
Klapal, Matěj ; Říha, Kamil (oponent) ; Povoda, Lukáš (vedoucí práce)
Cílem této práce je vytvořit detektor rasistických symbolů z obrazu za použití funkcí open source knihovny OpenCV. V textu je shrnut základní proces zpracování obrazových dat pomocí počítačů. Text dále obsahuje popis jednotlivých metod z této knihovny umožňujících natrénovat a poté v obraze zaznamenat a lokalizovat požadovaný objekt. Součástí tohoto textu je také porovnání úspěšností detekce za použití Haarových příznaků, LBP a histogramu orientovaných gradientů. V textu jsou také shrnuty výsledky testu detekce pro trojici podporovaných symbolů, svastiku, znaky SS a triskelion.
|
|
| |
|
|
Využití grafického procesoru jako akcelerátoru - technologie OpenCL
Hrubý, Michal ; Jošth, Radovan (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce se zabývá technologií OpenCL a jejím využitím pro detekci objektů. První část je zaměřená na popis principů technologie OpenCL a základní teorii o detekci objektů. Následuje kapitola analýzy, kde je navržená metoda zpracování s přihlédnutím na možnosti OpenCL. Další část popisuje samotnou implementaci detekční aplikace a experimentálně vyhodnocuje výkon detektoru. Poslední kapitola shrnuje dosažené výsledky.
|
|
|
Detekce obličeje v obraze
Malach, Tobiáš ; Přinosil, Jiří (oponent) ; Mézl, Martin (vedoucí práce)
V této práci je prezentován přehled metod detekce obličeje v obraze a jsou vysvětleny základní principy klasifikace obrazu a jeho částí. Klíčovou částí práce je představení detektoru Viola-Jones a popis jeho implementace v jazyce Matlab. Detektor Viola-Jones je v praxi nejpoužívanější metoda pro detekci obličeje v obraze, což bylo důvodem pro detailní rozbor metody a následnou realizaci. Detektor je popsán teoreticky, rozebrány jsou základní kroky algoritmu a je zdokumentován trénovací algoritmus. Na základě teoretického rozboru byl detektor implementován v jazyce Matlab. Vlastnosti detektoru byly objektivně vyhodnoceny a porovnány s dalšími dvěma implementacemi detektoru Viola-Jones.
|
|
|
Hardware acceleration of object detection in images
Musil, Petr ; Chalmers, Alan (oponent) ; Kadlec, Jiří (oponent) ; Zemčík, Pavel (vedoucí práce)
Nowadays, an increasing number of cameras and surveillance systems can be observed. The amount of information that these devices produce is enormous, and it is not in human power to process it all, therefore using computing power is needed. Modern computer vision algorithms, especially object detection, already achieve excellent results. One of the disadvantages of current vision algorithms is high computational complexity. Therefore, it is desired to implement these algorithms into a suitable device with better performance to power ratio. FPGA represents a reliable option due to its parallel and power-efficient computing. This dissertation aims to propose methods for optimising the object detector in an image running on an FPGA. These detectors use boosted soft cascades of classifiers with local image feature like weak classifiers. The proposed detectors use sequential evaluation of weak classifiers. More positions in the image are evaluated in parallel to increase the detection performance. Also, a new approach for multiscale object detection is proposed; its advantage is no need for external memory. The new detectors were experimentally verified on the tasks of detecting faces and license plates. The results outperform the current state-of-the-art, allow to create object detectors with higher detection performance, better power to resources ratio and better detection accuracy.
|
|
|
Detekce obličejů ve videu
Hypský, Roman ; Svoboda, Pavel (oponent) ; Polok, Lukáš (vedoucí práce)
Tato bakalářská práce pojednává o detekci obličejů ve videu. Jsou postupně popsány metody detekce lidské kůže v obraze, nejprve parametrické a následně pomocí Gaussova rozložení pravděpodobnosti. Následně jsou popsány metody detekce obličejů pomocí invariantních rysů i pomocí metod využívajících strojové učení. Zvláštní důraz byl kladen na detekci obličejů pomocí detektoru ViolaJones, využívajícího algoritmu AdaBoost. V práci je také popsána praktická realizace detektoru obličejů, která byla implementována v jazyce C++ za použití knihovny OpenCV. V závěru práce jsou popsané metody zhodnoceny a rozebrán další možný vývoj projektu.
|
|
|
Rozpoznávání vzorů v obraze pomocí AdaBoost
Wrhel, Vladimír ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
V této práci se zaobírá algoritmem AdaBoost, který slouží k vytvoření silné klasifikační funkce pomocí několika slabých klasifikátorů. Seznámíme se taktéž s modifikacemi AdaBoostu, a to Real AdaBoostem, WaldBoostem, FloatBoostem a TCAcu. Tyto modifikace zlepšují některé z vlastností algoritmu AdaBoost. Probereme některé vlastnosti příznaků a slabých klasifikátorů. Ukážeme si třídu úloh, pro které je algoritmus AdaBoost použitelný. Popíšeme implementaci knihovny obsahující zmíněné metody a uvedeme některé testy provedené na implementované knihovně.
|
|
| |
host ::
RSS.