|
|
Detekce dopravních značek v reálném čase
Sicha, Marek ; Přinosil, Jiří (oponent) ; Bravenec, Tomáš (vedoucí práce)
Tato bakalářská práce se zabývá detekcí a klasifikací dopravních značek v obrazech a videosekvencích. Cílem práce je i možnost provádět detekci a klasifikaci na jednodeskovém počítači. Pro řešení problému byly vybrány neuronové sítě a programovací jazyk Python. Detekce a klasifikace objektu je řešena zvlášť, tudíž byly použity dvě neuronové sítě. Pro klasifikaci byla zvolena konvoluční neuronová síť a pro detekci byl zvolen detektor z rodiny EfficientDet. Celková architektura byla testována na jednodeskovém počítači Nvidia Jetson Nano.
|
|
|
Detekce graffiti tagů v obraze
Molisch, Marek ; Herout, Adam (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnat současné architektury modelů, zodpovědné za detekci objektů a použít je pro úlohu detekce graffiti tagů. Pro tyto účely byly v řešení vybrány state-of-the-art modely, které jsou podporovány frameworkem Tensorflow. Architektura Faster R-CNN byla nejpřesnější a architektura SSD nejrychlejší. Také byly provedeny experimenty s graffiti tagy z Athén na datasetu STORM, kde se zjistilo, že ke graffiti tagům je žádoucí přistupovat jako k objektům a ne jako k písmu.
|
|
|
Detekce objektů a sledování trasy pohybu účastníků provozu pro potřeby inteligentních dopravních uzlů
Vymazal, Tomáš ; Kiac, Martin (oponent) ; Burget, Radim (vedoucí práce)
Diplomová práce se zaměřuje na problematiku detekce objektů. Je navržen experiment, který posuzuje detekční modely YOLOv5, YOLOR, Scaled-YOLOv4 a EfficientDet a po- rovnává jejich vlastnosti (rychlost detekce, pamětové nároky, přesnost a jistotu detekce). K tomuto účelu je vytvořena vlastní datová sada, na které jsou tyto parametry zkoumány. Ze studie vyplývá, že nejlépe je na tom síť YOLOv5. Pro trasování objektů je použit deep SORT, který je důležitý pro následné získání trénovacích dat z videozáznamu pro predikci pohybu objektů. Přidanou hodnotou je návrh predikčního algoritmu, který je založený na polynomiálním regresním modelu.
|
|
|
Detekce graffiti tagů v obraze
Molisch, Marek ; Herout, Adam (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnat současné architektury modelů, zodpovědné za detekci objektů a použít je pro úlohu detekce graffiti tagů. Pro tyto účely byly v řešení vybrány state-of-the-art modely, které jsou podporovány frameworkem Tensorflow. Architektura Faster R-CNN byla nejpřesnější a architektura SSD nejrychlejší. Také byly provedeny experimenty s graffiti tagy z Athén na datasetu STORM, kde se zjistilo, že ke graffiti tagům je žádoucí přistupovat jako k objektům a ne jako k písmu.
|
|
|
Detekce dopravních značek v reálném čase
Sicha, Marek ; Přinosil, Jiří (oponent) ; Bravenec, Tomáš (vedoucí práce)
Tato bakalářská práce se zabývá detekcí a klasifikací dopravních značek v obrazech a videosekvencích. Cílem práce je i možnost provádět detekci a klasifikaci na jednodeskovém počítači. Pro řešení problému byly vybrány neuronové sítě a programovací jazyk Python. Detekce a klasifikace objektu je řešena zvlášť, tudíž byly použity dvě neuronové sítě. Pro klasifikaci byla zvolena konvoluční neuronová síť a pro detekci byl zvolen detektor z rodiny EfficientDet. Celková architektura byla testována na jednodeskovém počítači Nvidia Jetson Nano.
|
host ::
RSS.