|
|
Automatická anotace obrazu
Hegmon, Jiří ; Karásek, Jan (oponent) ; Burget, Radim (vedoucí práce)
Rozeznávání a porovnávání obrazu je jedním z hlavních problémů a okruhů oboru počitačového vidění. Tato práce k těmto dvěma problémům připojuje třetí, rozpoznání semantiky, významu obrazu, tzv. anotaci nebo label. Práce využívá znalosti metod rozpoznávání podobnosti obrazů k vytvoření nástroje, který je schopen na základě trénovací množiny obrazů a anotací vytvořit skupinu nejpravděpodobnějších anotací pro danou testovací množinu obrazů. Tato práce představuje několik druhů testovacích množin vhodných pro rozpoznávání anotačních informací u obrazů. Následně je vybrána nejvhodnější množina s potřebnou velikostí trénovací množiny a dostatkem informací v anotacích. Na základě této trénovací množiny je navrhnut algoritmus pro snadné načtení testovací množiny bez velkých nároků na výkon počítače. Vyhodnocení anotačních informací testovací množiny je prováděno na základě různých podobnostních algoritmů. Na počátku této práce byly použity jednoduché, ale nepříliš efektivní metody MSE a porovnání barevných histogramů, postupně bylo ale nutno přejít k použítí náročnějších metod (jako je například Tamura, Gabor, CEDD nebo různé druhy hostistogramů). Výsledky tohoto porovnání jsou nakonec brány pro vyhodnocení pravděpodobnosti výskytu dané anotace pro daný obrázek určené testovací množiny. Na závěr práce je provedeno vyhodnocení přesnosti určení anotace na základě informací z použitých trénovacích množin.
|
|
|
Pořízení a zpracování sbírky registračních značek vozidel
Kvapilová, Aneta ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Diplomová práce se zabývá problematikou pořízení a zpracování datové sady, která obsahuje částečně automaticky zpracované snímky registračních značek vozidel. Cílem je jak pořízení samotných videí, tak i vytvoření sady nástrojů, které budou schopné videa zpracovávat do výsledné datové sady určené k učení neuronových sítí pro monitorování provozu. K realizaci je využit programovací jazyk Python s využitím grafické knihovny OpenCV a frameworku PyTorch pro tvorbu neuronových sítí.
|
|
|
Srovnání výkonu a vlastností objektově orientovaných databází
Kozák, Daniel ; Burget, Radek (oponent) ; Zelený, Jan (vedoucí práce)
V této práci čtenáře seznámím se základními modely, jenž se používají pro ukládání dat v databázových systémech. Dále čtenáři popíši způsoby ukládání objektů jazyka Java, kde mu nadále vysvětlím pojmy jako objektově relační mapování, reflexe a introspekce. Následně zde představím existující implementace, které se v jazyce Java používají pro ukládání ob- jektových dat. Poté popíši metodiku pro testování výkonu jednotlivých řešení. Podle této metodiky provedu testování a nakonec zhodnotím získané výsledky.
|
|
|
Pořízení a zpracování sbírky registračních značek vozidel
Kvapilová, Aneta ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Diplomová práce se zabývá problematikou pořízení a zpracování datové sady, která obsahuje částečně automaticky zpracované snímky registračních značek vozidel. Cílem je jak pořízení samotných videí, tak i vytvoření sady nástrojů, které budou schopné videa zpracovávat do výsledné datové sady určené k učení neuronových sítí pro monitorování provozu. K realizaci je využit programovací jazyk Python s využitím grafické knihovny OpenCV a frameworku PyTorch pro tvorbu neuronových sítí.
|
|
|
Srovnání výkonu a vlastností objektově orientovaných databází
Kozák, Daniel ; Burget, Radek (oponent) ; Zelený, Jan (vedoucí práce)
V této práci čtenáře seznámím se základními modely, jenž se používají pro ukládání dat v databázových systémech. Dále čtenáři popíši způsoby ukládání objektů jazyka Java, kde mu nadále vysvětlím pojmy jako objektově relační mapování, reflexe a introspekce. Následně zde představím existující implementace, které se v jazyce Java používají pro ukládání ob- jektových dat. Poté popíši metodiku pro testování výkonu jednotlivých řešení. Podle této metodiky provedu testování a nakonec zhodnotím získané výsledky.
|
|
|
Automatická anotace obrazu
Hegmon, Jiří ; Karásek, Jan (oponent) ; Burget, Radim (vedoucí práce)
Rozeznávání a porovnávání obrazu je jedním z hlavních problémů a okruhů oboru počitačového vidění. Tato práce k těmto dvěma problémům připojuje třetí, rozpoznání semantiky, významu obrazu, tzv. anotaci nebo label. Práce využívá znalosti metod rozpoznávání podobnosti obrazů k vytvoření nástroje, který je schopen na základě trénovací množiny obrazů a anotací vytvořit skupinu nejpravděpodobnějších anotací pro danou testovací množinu obrazů. Tato práce představuje několik druhů testovacích množin vhodných pro rozpoznávání anotačních informací u obrazů. Následně je vybrána nejvhodnější množina s potřebnou velikostí trénovací množiny a dostatkem informací v anotacích. Na základě této trénovací množiny je navrhnut algoritmus pro snadné načtení testovací množiny bez velkých nároků na výkon počítače. Vyhodnocení anotačních informací testovací množiny je prováděno na základě různých podobnostních algoritmů. Na počátku této práce byly použity jednoduché, ale nepříliš efektivní metody MSE a porovnání barevných histogramů, postupně bylo ale nutno přejít k použítí náročnějších metod (jako je například Tamura, Gabor, CEDD nebo různé druhy hostistogramů). Výsledky tohoto porovnání jsou nakonec brány pro vyhodnocení pravděpodobnosti výskytu dané anotace pro daný obrázek určené testovací množiny. Na závěr práce je provedeno vyhodnocení přesnosti určení anotace na základě informací z použitých trénovacích množin.
|
host ::
RSS.