|
| |
|
|
Holistické rozpoznání registrační značky pomocí konvolučních neuronových sítí
Morbitzer, Dušan ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je vytvoření modelu neuronové sítě pro holistické rozpoznávání registračních značek se zaměřením na přesnost a zkrácení doby trénovacího procesu. Model byl implementován, jako spojení konvoluční neuronové sítě pro extrakci hlubokých rysů obrázku značky a Bidirectional LSTM s CTC. Natrénovaný model byl porovnán s jinou implementací, využívající holistického přístupu, která byla natrénována na stejném datasetu. Vlastní návrh sítě dosáhl lepších výsledků při rozpoznávání na datové sadě, odlišné od trénovací, s chybovostí 8,3 %.
|
|
|
Classification of Varying-Size Plankton Images with Convolutional Neural Network
Bureš, Jaroslav ; Juránek, Roman (oponent) ; Zemčík, Pavel (vedoucí práce)
This work considers techniques of automatic image analysis based on convolutional neural networks (CNN) focused on plankton classification. There is a large variation in the shapes and sizes of plankton images. This makes the classification for CNN based methods challenging since CNNs typically require a fixed input size. Naive methods utilize scaling of the images to a common size. However, this operation leads to the loss of small details that are necessary for correct classification. The aim of this work was to design and implement a CNN-based classifier of plankton images and explore possible methods that can deal with a variety of image sizes. Multiple methods such as patch cropping, utilization of a spatial pyramid pooling layer, inclusion of metadata and construction of multi-stream model were evaluated on a challenging dataset of phytoplankton images. With these methods an improvement of 1.0 point was achieved for the InceptionV3 architecture resulting in an accuracy of 96.2 %. The main contribution of this thesis is an improvement of multiple CNN plankton classifiers by successfully applying these methods.
|
|
|
Počítačové vidění jako webová služba
Jež, Adam ; Zemčík, Pavel (oponent) ; Juránek, Roman (vedoucí práce)
Cílem této diplomové práce je vytvořit webovou službu pro sdílení a snadný přístup kalgoritmům počítačového vidění. V současné době existuje velké množství algoritmů apro jejich autory je přínosné tyto algoritmy jednoduše sdílet sdalšími lidmi i zjiných vědních oborů. Hlavní částí práce je vytvoření architektury webové služby anavržení způsobu zpracování požadavků na spuštění algoritmů. Součástí implementace webové služby je vytvoření webového rozhraní, které umožní jednoduché spuštění algoritmů svlastními daty, aklientská knihovna pro usnadnění integrace aplikačního rozhraní služby.
|
|
|
Simulace rozsáhlých částicových systémů
Štambachr, Jakub ; Navrátil, Jan (oponent) ; Juránek, Roman (vedoucí práce)
Tato bakalářská práce se zabývá simulacemi rozsáhlých částicových systémů. Hlavním cílem je vytvoření výkoného simulačního modelu pro kosmologické N-body systémy a jeho následné testování. K implementaci jsem zvolil algoritmus Barnes-Hut Tree-Code, který splňuje požadavek na vysokou rychlost simulační metody. Z testů provedených v rámci práce vyplývá, že metoda tree-code má logaritmickou složitost. Jako výstup provedených simulací jsem vytvořil několik videí, demonstrujících funkčnost modelu.
|
|
|
Hluboké neuronové sítě pro analýzu medicínských dat
Osvald, Martin ; Juránek, Roman (oponent) ; Španěl, Michal (vedoucí práce)
Cieľom tejto práce je použitie 2D konvolučných neurónových sietí pre segmentáciu a detekciu zubov na 3D modeli čeľusti s využitím viac pohľadovej metódy. Pohľad je vyrendrovaný 2D obrázok 3D modelu. Následne na akýkoľvek 3D model zubov je možné použiť natrénované modely neurónových sietí v PyQt aplikáciach. Pri práci bol vytvorený vlastný anotačný skript na anotáciu zubov ako aj landmarkov. Táto práca rieši problém s dostupnosťou anotovaných 3D datasetov v medicínskom priemysle pomocou automatizácie v generovaní masiek z rôznych pohľadov na 3D modely.
|
|
|
Detekce objektů na GPU
Macenauer, Pavel ; Polok, Lukáš (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce se zabývá detekcí objektů pomocí grafických procesorů . Jako její součást byl navržen a naimplementován nástroj pro detekci objektů na technologii NVIDIA CUDA , umožňující detekovat objekty ve videu v reálném čase nebo zpracovávat velké množství fotografií . Jejím cílem je prozkoumat aktuální možnosti technologie NVIDIA CUDA vzhledem k detekci objektů a navrhnout , jak by se daly akcelerovat .
|
|
|
Počítání vozidel ve statickém obraze
Hladiš, Martin ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnání modelů konvolučních neuronových sítí, které využívají princip počítání pomocí odhadu hustoty pro úkol počítání vozidel ve statickém obraze. Celkem byly testovány tyto modely -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Jejich schopnost odhadu byla testována na datasetech -- TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Multi-Scale Fusion Net. Jeho přesnost odhadu na datasetu TRANCOS v metrice Mean Absolut Error dosáhla hodnoty 8.05.
|
|
|
Acceleration of Object Detection Using Classifiers
Juránek, Roman ; Kälviäinen, Heikki (oponent) ; Sojka, Eduard (oponent) ; Zemčík, Pavel (vedoucí práce)
Detection of objects in computer vision is a complex task. One of most popular and well explored approaches is the use of statistical classifiers and scanning windows. In this approach, classifiers learned by AdaBoost algorithm (or some modification) are often used as they achieve low error rates, high detection rates and they are suitable for detection in real-time applications. Object detection run-time which uses such classifiers can be implemented by various methods and properties of underlying architecture can be used for speed-up of the detection. For the purpose of acceleration, graphics hardware, multi-core architectures, SIMD or other means can be used. The detection is often implemented on programmable hardware. The contribution of this thesis is to introduce an optimization technique which enhances object detection performance with respect to an user defined cost function. The optimization balances computations of previously learned classifiers between two or more run-time implementations in order to minimize the cost function. The optimization method is verified on a basic example -- division of a classifier to a pre-processing unit implemented in FPGA, and a post-processing unit in standard PC.
|
|
|
Detekce dopravních prostředků v obraze a videu
Rozprým, Dalimil ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnání dostupných vícetřídních detektorů při detekci silničních vozidel na vhodně vytvořené datové sadě. Jako vícetřídní detektory byly vybrány neuronové sítě určené k detekci a klasifikaci objektů v obraze. Experimentováno je s detektory Mask R-CNN, YOLOv4 a YOLACT++, které jsou v práci popsány. Výběr detektorů zastupuje různé architektury a přístupy k detekci. Pro účely učení a testování je v práci detailně popsána vytvořená datová sada a její parametry. Detekce je testována na obraze z běžného silničního provozu a samostatně na částečně překrytých objektech. Výsledkem práce je znovupoužitelná a rozšířitelné datová sada, naměřené výsledky dosažené při detekci a jejich hlubší rozbor.
|
host ::
RSS.