Národní úložiště šedé literatury Nalezeno 2 záznamů.  Hledání trvalo 0.00 vteřin. 
Traffic sign classification by deep learning
Harmanec, Adam ; Blažek, Jan (vedoucí práce) ; Kratochvíl, Miroslav (oponent)
Klasifikace dopravních značek je zkoumána již řadu letu a bylo dosáhnuto velmi dobrých výsledků. My předkládáme analýzu používaných datasetů jako velmi omezených na použití v reálných situacích. V této tezi analyzujeme dostupné datasety a jejich sloučením a rozšířením o nová data vytvoříme robustnější a obsáhlejší dataset použitelný v České republice. Následně navrhneme architekturu konvoluční neuronové sítě a spolu s několika technikami předzpracování ji otestujeme na novém datasetu dosahujíc přesnosti přes 99%.
Rozpoznávání znaků z realných scén pomocí neuronových sítí
Fiala, Petr ; Neumann, Lukáš (vedoucí práce) ; Berka, Petr (oponent)
Tato práce se zabývá úlohou rozpoznávání znaků z reálných scén, které je věnována značná pozornost s rozvojem moderních technologií. Cílem studie je k rozpoznávání použít algoritmus, který dosahuje aktuálně nejlepších výsledků na standardních datových sadách. Vybraným modelem je konvoluční síť s deep architekturou, jejíž aplikace na zadanou úlohu nebyla dosud publikována. Implementované řešení navazuje na teoretickou část, která poskytuje ucelený přehled dané problematiky. V praktické části se vyskytují dva typy neuronových sítí: vícevrstvý perceptron a zmíněný model. Z porovnání výsledků těchto dvou typů architektur na první datové sadě vychází výrazně lépe použití komplexní struktury konvoluční sítě. Tento model byl dále ověřen na dvou veřejných datových sadách, které korespondují se zadáním úlohy. Zároveň bylo vyzkoušeno několik modifikací sítě a použití různých úprav vstupních dat s cílem získat optimální řešení v závislosti na struktuře dat. Prezentované řešení dokázalo poskytnout srovnatelnou úspěšnost predikce v porovnání s nejlepšími dosaženými výsledky, při použití syntetických učících vzorů a ověřilo možnost využití této architektury pro danou úlohu. V závěru studie jsou zmíněny možné rozšíření a vylepšení modelu, která by mohla vést k dalšímu snížení klasifikační chyby.

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.