|
|
Urban Element Detection Using Satellite Imagery
Oravec, Dávid ; Herout, Adam (oponent) ; Zlámal, Adam (vedoucí práce)
This thesis focuses on the right detection of objects in satellite imagery using convolutional neural networks. The goal of the thesis is to detect swimming pools and tennis courts in satellite imagery from different cities using the trained model. The model works with data from 10 different cities. The RetinaNet neural network model and Detectron2 library were used for development. The final trained model can detect objects with the average precision (AP50) at the level of 63.402 %. The thesis can be useful in the field of automating the acquisition of land surface statistics.
|
|
|
Self-supervised learning in computer vision applications
Vančo, Timotej ; Richter, Miloslav (oponent) ; Janáková, Ilona (vedoucí práce)
The aim of the diploma thesis is to make research of the self-supervised learning in computer vision applications, then to choose a suitable test task with an extensive data set, apply self-supervised methods and evaluate. The theoretical part of the work is focused on the description of methods in computer vision, a detailed description of neural and convolution networks and an extensive explanation and division of self-supervised methods. Conclusion of the theoretical part is devoted to practical applications of the Self-supervised methods in practice. The practical part of the diploma thesis deals with the description of the creation of code for working with datasets and the application of the SSL methods Rotation, SimCLR, MoCo and BYOL in the role of classification and semantic segmentation. Each application of the method is explained in detail and evaluated for various parameters on the large STL10 dataset. Subsequently, the success of the methods is evaluated for different datasets and the limiting conditions in the classification task are named. The practical part concludes with the application of SSL methods for pre-training the encoder in the application of semantic segmentation with the Cityscapes dataset.
|
|
|
Semantic segmentation of images using convolutional neural networks
Špila, Filip ; Věchet, Stanislav (oponent) ; Krejsa, Jiří (vedoucí práce)
This thesis deals with the research and implementation of selected architectures of Convolutional Neural Networks (CNNs) for image segmentation. The fundamental terms from the theory of neural networks are summarized in the first part. It also presents the power of CNNs in the field of image data classification. The theoretical part concludes with the research focused on the particular network architecture and its variants used for scene segmentation. In the practical part, the Caffe implementation of the network is taken from its authors and tailored to the specific needs of this study. The steps required to properly set up the software and hardware environments are an essential part of the process. Therefore, the corresponding chapter gives a step-by-step guide that is especially helpful to new Linux users. A custom dataset containing 2600 segmented images is created and used for training all variants of the selected network. Several adjustments of the original implementation are performed, especially for applying the method of using pre-trained parameters of the networks. The training phase includes a selection of hyperparameters, such as the type of optimization algorithm. Finally, the performance and computational cost of the variants of the trained network are evaluated on a testing dataset.
|
|
|
Konvoluční neuronová síť pro segmentaci obrazu
Mitrenga, Michal ; Petyovský, Petr (oponent) ; Jirsík, Václav (vedoucí práce)
Cílem bakalářské práce je seznámit se s problematikou konvolučních neuronových sítí a realizovat segmentaci obrazu. Toto téma v sobě zahrnuje obor počítačového vidění, který je používán v systémech s umělou inteligencí. Zvláštní pozornost je věnována procesu segmentace obrazu. Dále se práce věnuje základním principům umělých neuronových sítí, struktuře konvolučních neuronových sítí a zejména pak popisu jednotlivých architektur sémantické segmentace. Vybraná architektura SegNet je použiti v praktické aplikaci spolu s před-učenou sítí. Součástí práce je databáze obrazů CamVid, která je použita pro trénování. Pro testování je vytvořena databáze vlastních snímků. Praktická část je zaměřená na trénování CNN a hledání nevhodnějších parametrů pro učení sítě za pomocí SW Matlab.
|
|
|
Sémantická segmentace v horském prostředí
Pelikán, Jakub ; Čadík, Martin (oponent) ; Brejcha, Jan (vedoucí práce)
Sémantická segmentace je jedním z klasických problémů počítačového vidění a silným nástrojem pro strojové zpracování a pochopení scény. V této práci nasazujeme sémantickou segmentaci v čistě horském prostředí. Hlavní motivací naší práce je možnost použití sémantické segmentace pro automatické zjištění geografické pozice, kde byla fotografie pořízena. V této práci jsme zhodnotili aktuální metody sémantické segmentace a vybrali z nich tři, které jsou vhodné pro adaptování do horského prostředí. Vhodně jsme rozdělili datovou sadu obsahující horské fotografie na validační, trénovací a testovací množinu tak, aby je bylo možné použít pro dotrénování vybraných metod sémantické segmentace. Na horských datech jsme dotrénovali modely z vybraných metod. Segmenty z nejlepších dotrénovaných modelů jsme nechali vyhodnotit respondenty pomocí elektronického dotazníku a také jsme je použili v procesu odhadu orientace kamery. Ukázali jsme, že vybrané metody sémantické segmentace lze úspěšně použít v horském prostředí. Naše modely jsou dotrénovány na 11, 5 nebo 4 horských třídách a nejlepší z nich dosahují na 4 třídách hodnocení mean IU 57.4%. Modely jsou použitelné i prakticky, což jsme ukázali jejich nasazením jako součást procesu odhadu orientace kamery.
|
|
|
Počítačová podpora rozpoznávání a klasifikace rodových erbů
Vídeňský, František ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato diplomová práce se zabývá návrhem systému pro rozpoznávání a klasifikaci rodových erbů jako celku i jeho jednotlivých heraldických součástí. V práci jsou představeny metody počítačového vidění pro segmentaci a detekci objektu a vybrány nejvhodnější z nich. Převážná část součástí erbu je segmentovaná pomocí konvolučních neuronových sítí a zbylé pomocí aktivních kontur. Pro detekci erbů v obraze byla vybrána metoda Histogramu orientovaných gradientů. Pro trénování i ověření funkčnosti je využita vlastní datová sada. Výsledný systém je možné použít jako pomocný nástroj v pomocných vědách historických.
|
host ::
RSS.