|
|
Semantic Segmentation of Pathologies in Retinal Images
Čabala, Roman ; Orság, Filip (oponent) ; Kavetskyi, Andrii (vedoucí práce)
The thesis aimed to segment pathology visible in the retina images, such as exudates, hemorrhages, and microaneurysms. For that, two well known deep neural networks, named U-Net and SegFormer, were trained. To test the performance of the models, one publicly available dataset was used, named IDRiD. Obtained results were reported after analyzing different factors which affected the performance of the models U-Net and Segformer.
|
|
|
Konvoluční neuronová síť pro segmentaci obrazu
Mitrenga, Michal ; Petyovský, Petr (oponent) ; Jirsík, Václav (vedoucí práce)
Cílem bakalářské práce je seznámit se s problematikou konvolučních neuronových sítí a realizovat segmentaci obrazu. Toto téma v sobě zahrnuje obor počítačového vidění, který je používán v systémech s umělou inteligencí. Zvláštní pozornost je věnována procesu segmentace obrazu. Dále se práce věnuje základním principům umělých neuronových sítí, struktuře konvolučních neuronových sítí a zejména pak popisu jednotlivých architektur sémantické segmentace. Vybraná architektura SegNet je použiti v praktické aplikaci spolu s před-učenou sítí. Součástí práce je databáze obrazů CamVid, která je použita pro trénování. Pro testování je vytvořena databáze vlastních snímků. Praktická část je zaměřená na trénování CNN a hledání nevhodnějších parametrů pro učení sítě za pomocí SW Matlab.
|
|
|
Self-supervised learning in computer vision applications
Vančo, Timotej ; Richter, Miloslav (oponent) ; Janáková, Ilona (vedoucí práce)
The aim of the diploma thesis is to make research of the self-supervised learning in computer vision applications, then to choose a suitable test task with an extensive data set, apply self-supervised methods and evaluate. The theoretical part of the work is focused on the description of methods in computer vision, a detailed description of neural and convolution networks and an extensive explanation and division of self-supervised methods. Conclusion of the theoretical part is devoted to practical applications of the Self-supervised methods in practice. The practical part of the diploma thesis deals with the description of the creation of code for working with datasets and the application of the SSL methods Rotation, SimCLR, MoCo and BYOL in the role of classification and semantic segmentation. Each application of the method is explained in detail and evaluated for various parameters on the large STL10 dataset. Subsequently, the success of the methods is evaluated for different datasets and the limiting conditions in the classification task are named. The practical part concludes with the application of SSL methods for pre-training the encoder in the application of semantic segmentation with the Cityscapes dataset.
|
|
|
Detekce objektů v laserových skenech pomocí konvolučních neuronových sítí
Marko, Peter ; Beran, Vítězslav (oponent) ; Veľas, Martin (vedoucí práce)
Práca sa zaoberá detekciou čiary vodorovného dopravného značenia z mračna bodov, ktoré bolo získané laserovým mobilným mapovaním. Systém pracuje interaktívne v spolupráci s užívateľom, ktorý vyznačí počiatok čiary dopravného značenia. Program postupne deteguje zvyšné časti dopravného značenia a vytvorí ich vektorovú reprezentáciu. Na začiatku je mračno bodov premietnuté do vodorovnej roviny a výsledkom je 2D obrázok, ktorý je segmentovaný konvolučnou neurónovou sieťou U-Net. Segmentácia označuje jednu dopravnú čiaru. Segmentácia je prevedená na lomenú čiaru, ktorú je možné použiť v geo-informačnom systéme. Sieť U-Net pri testovaní dosiahla presnosť segmentácie 98,8\%, špecificitu 99,5\% a senzitivitu 72,9\%. Odhadnutá lomená čiara dosiahla priemernú odchýlku 1,8cm.
|
|
|
Hodnocení neurčitosti predikcí neuronových sítí v úlohách klasifikace, detekce a segmentace
Vlasák, Jiří ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zaměřuje na porovnání tří široce používaných metod pro zlepšení odhadů neurčitosti: hlubokých ansámlů, monte carlo dropout a temperature scaling. Tyto metody jsou aplikovány na šest modelů pro počítačové vidění, mezi nimiž jsou předtrénované modely i modely trénované od nuly. Tyto modely jsou hodnoceny na datasetech počítačového vidění pro úlohy klasifikace, sémantické segmentace a detekce objektů, při použití široké škály metrik. Modely jsou rovněž evaluovány na transformovaných datasetech, kvůli jejich ohodnocení na datech mimo trénovací distribuci. Tyto modifikované modely dosahují slibných výsledků. Ansámbly překonávají ostatní modely až o 70 % v přesnosti a o 0.2 v IOU na transformovaném segmentačním datasetu MedSeg COVID-19 a zároveň překonávají ostatní modely na datasetech CIFAR-100 a FMNIST.
|
|
|
Semantic segmentation of images using convolutional neural networks
Špila, Filip ; Věchet, Stanislav (oponent) ; Krejsa, Jiří (vedoucí práce)
This thesis deals with the research and implementation of selected architectures of Convolutional Neural Networks (CNNs) for image segmentation. The fundamental terms from the theory of neural networks are summarized in the first part. It also presents the power of CNNs in the field of image data classification. The theoretical part concludes with the research focused on the particular network architecture and its variants used for scene segmentation. In the practical part, the Caffe implementation of the network is taken from its authors and tailored to the specific needs of this study. The steps required to properly set up the software and hardware environments are an essential part of the process. Therefore, the corresponding chapter gives a step-by-step guide that is especially helpful to new Linux users. A custom dataset containing 2600 segmented images is created and used for training all variants of the selected network. Several adjustments of the original implementation are performed, especially for applying the method of using pre-trained parameters of the networks. The training phase includes a selection of hyperparameters, such as the type of optimization algorithm. Finally, the performance and computational cost of the variants of the trained network are evaluated on a testing dataset.
|
|
|
Urban Element Detection Using Satellite Imagery
Oravec, Dávid ; Herout, Adam (oponent) ; Zlámal, Adam (vedoucí práce)
This thesis focuses on the right detection of objects in satellite imagery using convolutional neural networks. The goal of the thesis is to detect swimming pools and tennis courts in satellite imagery from different cities using the trained model. The model works with data from 10 different cities. The RetinaNet neural network model and Detectron2 library were used for development. The final trained model can detect objects with the average precision (AP50) at the level of 63.402 %. The thesis can be useful in the field of automating the acquisition of land surface statistics.
|
|
|
Sémantická segmentace v horském prostředí
Pelikán, Jakub ; Čadík, Martin (oponent) ; Brejcha, Jan (vedoucí práce)
Sémantická segmentace je jedním z klasických problémů počítačového vidění a silným nástrojem pro strojové zpracování a pochopení scény. V této práci nasazujeme sémantickou segmentaci v čistě horském prostředí. Hlavní motivací naší práce je možnost použití sémantické segmentace pro automatické zjištění geografické pozice, kde byla fotografie pořízena. V této práci jsme zhodnotili aktuální metody sémantické segmentace a vybrali z nich tři, které jsou vhodné pro adaptování do horského prostředí. Vhodně jsme rozdělili datovou sadu obsahující horské fotografie na validační, trénovací a testovací množinu tak, aby je bylo možné použít pro dotrénování vybraných metod sémantické segmentace. Na horských datech jsme dotrénovali modely z vybraných metod. Segmenty z nejlepších dotrénovaných modelů jsme nechali vyhodnotit respondenty pomocí elektronického dotazníku a také jsme je použili v procesu odhadu orientace kamery. Ukázali jsme, že vybrané metody sémantické segmentace lze úspěšně použít v horském prostředí. Naše modely jsou dotrénovány na 11, 5 nebo 4 horských třídách a nejlepší z nich dosahují na 4 třídách hodnocení mean IU 57.4%. Modely jsou použitelné i prakticky, což jsme ukázali jejich nasazením jako součást procesu odhadu orientace kamery.
|
|
|
Počítačová podpora rozpoznávání a klasifikace rodových erbů
Vídeňský, František ; Kočí, Radek (oponent) ; Zbořil, František (vedoucí práce)
Tato diplomová práce se zabývá návrhem systému pro rozpoznávání a klasifikaci rodových erbů jako celku i jeho jednotlivých heraldických součástí. V práci jsou představeny metody počítačového vidění pro segmentaci a detekci objektu a vybrány nejvhodnější z nich. Převážná část součástí erbu je segmentovaná pomocí konvolučních neuronových sítí a zbylé pomocí aktivních kontur. Pro detekci erbů v obraze byla vybrána metoda Histogramu orientovaných gradientů. Pro trénování i ověření funkčnosti je využita vlastní datová sada. Výsledný systém je možné použít jako pomocný nástroj v pomocných vědách historických.
|
|
|
Předpovídání trajektorie vozidel a chodců pro asistenční systémy řízení
Mudroň, Marek ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
V tejto práci sa zaoberám vytváraním reprezentácie dopravnej scény pomocou spracovania monokulárneho záznamu. Na základe vytvorenej reprezentácie sa snažím predpovedať trajektórie detekovaných vozidiel v krátkom časovom horizonte 2 sekúnd. Súčasné postupy využívajú viacero drahých senzorov na zhromažďovanie okamžitých informácií o prostredí. Predstavujem postup, ktorý pomocou viacerých modelov strojového učenia, dokáže z videa zistiť rovnaké údaje, ako spomínané senzory. Výsledkom je systém umožňujúci zníženie nákladov na senzory pre vytváranie reprezentácie prostredia a predikciu trajektórie vozidiel v scéne. Ďalším prínosom je porovnanie presnosti modelov, trénovaných na odlišne spracovaných dátach. Pri porovnaní poskytujem údaje o tom, ako veľmi sa približujú k presnosti najspoľahlivejších predikčných systémov.
|
host ::
RSS.