|
|
Neural Cell Segmentation from Fluorescent Microscopy Images of Mouse Brains
Studna, Martin ; Šikudová, Elena (vedoucí práce) ; Bída, Michal (oponent)
Naším cílem je navrhnout algoritmus pro segmentaci nervových buněk z fluorescenční mikroskopie myších mozků. Dostali jsme dataset z laboratoře neurochemie, Fyziologick- ého ústavu Akademie Věd České republiky v Praze. Provedli jsme experimenty s různými metodami pro segmentaci obrazu, abychom identifikovali takový algoritmus, který dokáže nejpřesněji segmentovat nervové buňky. Uvedeme, jaké jsou výzvy spojené se segmentací obrazu biogických dat. Nakonec objasníme, jak byly experimenty provedeny a jaké byly použity evaluační metriky pro testovaní přesnosti našich metod. 1
|
|
|
HDR image semantic segmentation
Fadeev, Rustam ; Šikudová, Elena (vedoucí práce) ; Mirbauer, Martin (oponent)
This work attempts to create a pipeline that accepts the high dynamic range (HDR) input in the .exr format, processes it, and feeds it to the deep neural network, which can perform a semantic segmentation task, detecting the sky. Currently, to our knowledge, available semantic segmentation models cannot accept HDR input in the .exr format. Several models that are trained on HDR input are presented and analyzed here. 1
|
|
|
Corneal neovascularization assesment using machine learning methods
Mačák, Adrián ; Šikudová, Elena (vedoucí práce) ; Holeňa, Martin (oponent)
V našej práci sme sa pokúsili pomôcť oftalmológom s ich výskumom liečby - rohovkovej neovaskularizácie. Masívne zlepšenie hardvéru a algoritmov v strojovom učení otvárajú nové možnosti riešenia problémov v medicínskych snímkoch. Počas tejto práce sme vy- tvorili unikátny dataset a riešenie používajúce umelú inteligenciu, ktoré kvantifikuje toto ochorenie. Riešenie pozostáva z výpočtovej a užívateľskej časti. Výpočtová časť používa hlboké konvolučné neurónové siete s prispôsobenou U-Net architektúrou na detekciu a segmentáciu rohovkových ciev. Užívateľské rozhranie poskytuje nástroj pre oftalmológov na kvantifikáciu snímok pacientov. Experimentálne sme naše riešenie nasadili do nemoc- nice FNKV Praha na výskumné účely. 1
|
|
|
Iris segmentation
Ramesh, Vishal ; Šikudová, Elena (vedoucí práce) ; Rittig, Tobias (oponent)
Přesná segmentace obrazu duhovky je nezbytná pro řadu navrhovaných lékařských di- agnostických a léčebných systémů. Předchozí modely fungovaly dobře s obrázky zdravých očí, ale nezobecňují na obrázky nemocných očí. Pracujeme se souborem dat, kde má mnoho subjektů oční onemocnění nebo deformity. Analyzujeme výkon U-Net, architek- tury hlubokého učení pro sémantickou segmentaci. Náš model byl trénován na ručně anotovaném souboru dat a vyladěn tak, aby zobecnil na neviditelných obrázcích. Náš model dosahuje pixelové přesnosti 0,8913 na testovací sadě s relativně krátkou dobou tréninku. 1
|
|
|
Rozpoznávání čísel na digitálních displejích pomocí CPU kamer Axis
Kaifer, Jan ; Šikudová, Elena (vedoucí práce) ; Kruliš, Martin (oponent)
Práce se zabývá implementací aplikace pro kamery AXIS, která rozpoznává digitální čísla na tabulích ve sportovních halách. Existuje mnoho algoritmů pro rozpoznávání čísel, ale velmi málo z nich je dostatečně efektivních, aby je bylo možné spustit přímo na kameře bez dedikovaného výpočetního akcelerátoru. Aplikace provádí detekci pomoci neuronových sítí a s nimi se nám povedlo dosáhnout velmi dobrých výsledků, díky kterým je možné aplikaci využít v produkčním prostředí. Mimo neuronové sítě práce také popisuje naivní algoritmus postavený na technikách počítačového vidění. 1
|
|
|
Comparison of deep learning and classical methods for traffic signs detection
Geiger, Petr ; Šikudová, Elena (vedoucí práce) ; Mirbauer, Martin (oponent)
Cílem této práce je prozkoumat a vyhodnotit klasické metody počítačového vidění a metody založené na hlubokých neuronových sítích určené pro detekci pozice závory na železničních přejezdech. Tato práce je založena na počátečním detekčním algoritmu, jehož hlavní komponenta používá detektor stabilní vlny. Tento počáteční algoritmus je v práci nejprve zoptimalizován z hlediska výkonosti i kvality jeho výsledků. Obojí je zásadní, jelikož nejlepší metoda by měla být vhodná jako komponenta real-time bezpečnostního systému pro železniční přejezdy. Dále je implementován další přístup založený na hlubokých neuronových sítích, který je také zoptimalizován v obou aspektech. V průběhu této práce je vytvořeno několik datasetů, jak pro trénování, tak i testování detekčních algoritmů. Oba přístupy jsou nakonec vyhodnoceny na stejných datasetech a jejich výsledky jsou porovnány.
|
|
|
Differentiable Depth Estimation for Bin Picking
Černý, Marek ; Klusáček, David (vedoucí práce) ; Šikudová, Elena (oponent)
Tato práce zkoumá možnosti rekonstrukce povrchu pro bin picking pomocí neuronových sítí. Při zkoumání článků z 2014-2018 se ukázalo, že stávající metody nejsou použitelné. Proto jsme vytvořili vlastní nízkourovnový přístup nazvaný EmfNet. Sít používá pyramidové zjemnování rozlišení, kde se na každé urovni pyramidy výpoctu úcastní tři oddělené sítě s jasne definovaným učelem, coz umožnuje témer kompletní pochopení fungování sítě. Model EmfNet byl již částecně použitelný, ale byl rozšířen na EmfNet-v2. Jednak dostal novou meřící vrstvu, aby nezávisel na zbytečném hyperparametru, hlavne ale bylo využito geometrických omezení k tomu, aby sit nemátly okluze (případy, kdy je určitá část povrchu vidět jen z jedné kamery). Obě sítě jsme implementovali a testovali na vlastnim korpusu jak renderovaných tak realných dat. Process párování korespondencí uvnitř sítě lze sledovat po- mocí vizualizace. Navrhli jsme způsob, jak využít robotickou ruku a SMF software k tomu, abychom relativně rychle získali potřebne mnozství dat pro natrénování modelu. Zatím nejlepší model zvládne zrekonstruovat 80% povrchu s chybou menší než 2 mm za čas pod 1 sekundu. 1
|
|
|
Learning to solve geometric construction problems from images
Macke, Jaroslav ; Šivic, Josef (vedoucí práce) ; Šikudová, Elena (oponent)
Konstrukce geometrických problémů pomocí kružítka a pravítka je problém, kterým se lidé zabývají už tisíce let. Lidé jsou schopni řešit geometrické problémy bez znalosti ana- lytického modelu popisujícího jednotlivá geometrická primitiva problému. Většina metod pro počítač analytický model vyžaduje. V této práci představíme metodu pro řešení geometrických konstrukcí s přístupem pouze k obrazové informaci dané scény. Metoda používá Mask R-CNN, konvoluční neuronovou síť pro detekci a segmentaci objektů v obrázcích a videích. Výstupem Mask R-CNN jsou masky a bounding boxy s názvy objektů detekovaných ve vstupním obrázku. V této práci přizpůsobíme architekturu Mask R-CNN pro řešení geometrických konstrukcí ze vstupního obrázku. Vytvoříme model, který nám umožní získat jednotlivé kroky geometrických konstrukcí z masek získaných pomocí Mask R-CNN a popíšeme jak tento model natrénovat. Řešit geometrické problémy tímto způ- sobem je však obtížné protože se musíme vypořádat s detekcí geometrických primitiv a ne- jednoznačností konstrukce. Jeden geometrický problém má nekonečně mnoho konstrukcí. Náš model by měl být schopen vyřešit problémy na kterých nebyl natrénován. Abychom vyřešili modelu neznámé konstrukční problémy, vyvinuli jsme prohledávací algoritmus, který prohledává prostor hypotéz navrhnutých Mask R-CNN...
|
|
|
Automatic On-Line Calibration and Calibration Monitoring of Cameras and Lidars
Moravec, Jaroslav ; Šikudová, Elena (vedoucí práce) ; Obdržálek, Štěpán (oponent)
Název: Automatická on-line kalibrace a monitorovánı́ kalibrace páru kamera- lidar Autor: Jaroslav Moravec Katedra: Katedra softwaru a výuky informatiky Školitel: doc. RNDr. Elena Šikudová, Ph.D., Katedra softwaru a výuky infor- matiky Abstrakt: Kamery a LiDARy jsou důležitá zařı́zenı́ automobilového průmyslu, jelikož jejich kombinace poskytuje užitečné informace (souřadnice bodu v pros- toru a jeho barvu a intenzitu) pro percepci, lokalizaci, mapovánı́ a predikci. Pro úspěšnou kombinaci dat z vı́ce zdrojů a jejı́ interpretaci je potřeba znát přesnou kalibraci vnitřnı́ch parametrů a relativnı́ pozice všech senzorů. V této práci se budeme zabývat třemi kalibračnı́mi metodami na reálných scénách. Naše řešenı́je založeno na robustnı́ věrohodnostnı́ funkci konstruované nad reprojekčnı́ chybou LiDARových hran vůči hranám v obrazu. Když se kalibrace měnı́ v čase, navrho- vaná online rekalibračnı́ procedura je schopna sledovat všechny vnějšı́ parametry s průměrnou chybou 0.13◦ v rotaci a 4 cm v translaci. Na základě této rekali- bračnı́metody jsme dále schopni monitorovat kalibraci a detekovat náhlou změnu v řádu sekund. V neposlednı́ řadě jsme ukázali automatickou kalibraci, která dokáže odhadnout jak vnějšı́ parametry kalibrace, tak ty...
|
|
|
Hand Tracking for Mobile Virtual Reality
Smirnov, Alexander ; Gemrot, Jakub (vedoucí práce) ; Šikudová, Elena (oponent)
Mobilní virtuální realita inspirovaná Google Cardboard (kde je smartphone umístěn v levné náhlavní soupravě bez elektroniky) ztratila popularitu poté, co se na trhu objevily samostatné náhlavní soupravy VR. Zařízení jako Oculus Quest podporují úplné sledování skutečné polohy a rotace náhlavní soupravy a dvojice ovladačů (nebo dokonce jen rukou uživatele), to vše bez externích senzorů nebo počítačů, zatímco aplikace podobné kartonu sledují pouze rotaci hlavy uživatele. Pokusili jsme se vytvořit rámec, který by mohl poskytnout podobný zážitek jako samostatné náhlavní soupravy - mobilní VR aplikace schopná sledovat sebe a ruce uživatele v 6 stupních volnosti, to vše vyžaduje pouze smartphone s několika levnými doplňky. Použili jsme Unity AR Foundation k dosažení sledování náhlavní soupravy a různých algoritmů OpenCV k řešení sledování rukou - značky ArUco, Color Thresholding, Camshift a přístupy hlubokého učení, jako jsou OpenPose a YOLOv3. Naše zaměření bylo na testování algoritmů pro sledování rukou a zjistili jsme, že i když zdaleka nejsou dokonalé, koncept je proveditelný a s některými vylepšeními by se rámec mohl stát skutečným konkurentem v prostoru samostatných VR sluchátek.
|
host ::
RSS.