|
|
Re-identifikace graffiti tagů
Pavlica, Jan ; Beran, Vítězslav (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zaměřuje na možnost využití současných metod na poli počítačového vidění k re-identifikaci graffiti tagů. V práci je zkoumána možnost využití konvolučních neuronových sítí k re-identifikaci graffiti tagů, které jsou nejrozšířenějším typem graffiti. V rámci práce bylo experimentováno s různými modely konvolučních neuronových sítí z nichž nejvhodnější byl MobileNet s využitím triplet loss funkce, kdy se podařilo dosáhnout mAP 36.02%.
|
|
|
Recognition of Vehicle Class in Image
Čabala, Roman ; Kodym, Oldřich (oponent) ; Špaňhel, Jakub (vedoucí práce)
The goal of this bachelor thesis is to recognize the type of vehicle from the image using neural networks. Vehicles are divided into 6 types, namely a car, a small van, a van, a mini truck, a truck and a bus. The data set was picked from videos that record the trajectory of the vehicles. Subsequently, an image annotation tool was built. The following architectures were used for network training: VGG16, ResNet50, Xception, InceptionResNet-v2. The result of the work is a comparison of architectures. All architectures were trained and achieved a result above 90%.
|
|
|
Automatizované hodnocení kvality snímků sítnice pomocí strojového učení
Mikheda, Vladislav ; Vaško, Marek (oponent) ; Kavetskyi, Andrii (vedoucí práce)
Tato práce se zaměřuje na řešení problému hodnocení kvality snímků sítnice. Při diagnostice onemocnění lékaři se zaměřují na kvalitu jednotlivých anatomických struktur sítnice, podle kterých probíhá diagnostika. Cílem této práce je navrhnout a implementovat program pro automatizované hodnocení kvality snímků sítnice na základě anatomických struktur pomocí neuronových sítí. K řešení výše uvedeného problému bylo vyvinuto a implementováno celkem šest neuronových sítí. Tři z nich měly za úkol segmentovat jednotlivé anatomické struktury sítnice a tři další měly vyhodnocovat snímky na základě kvality segmentované struktury. Bylo provedeno jak testování každé neuronové sítě zvlášť, tak testování celého programu. Model umožňuje hodnocení kvality snímků sítnice na základě anatomických struktur.
|
|
|
Použití hlubokých neuronových sítí pro sumarizaci videa
Matějek, Libor ; Slanina, Martin (oponent) ; Frýza, Tomáš (vedoucí práce)
Práce se zabývá strojovým učením a aplikací v oblasti sumarizace videí. Sumarizace videa je oblastí zabývající se redukcí redundantních snímků ve videu. Práce obsahuje základní seznámení s neuronovými sítěmi a souvisejících dat. Dále popisuje základní architektury neuronových sítí. Nejvíce je kladen důraz na konvoluční neuronové sítě, které jsou v oblasti zpracování obrazu stěžejní. Dalšímu přiblížení podléhá matematická vektorová redukce PCA a popis euklidovské vzdálenosti. Teoretickou část uzavírají informace o K Means clusteringu. Implementace je poté realizována za pomocí frameworku Tensorflow s API od Keras.
|
|
|
Re-identifikace graffiti tagů
Pavlica, Jan ; Beran, Vítězslav (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zaměřuje na možnost využití současných metod na poli počítačového vidění k re-identifikaci graffiti tagů. V práci je zkoumána možnost využití konvolučních neuronových sítí k re-identifikaci graffiti tagů, které jsou nejrozšířenějším typem graffiti. V rámci práce bylo experimentováno s různými modely konvolučních neuronových sítí z nichž nejvhodnější byl MobileNet s využitím triplet loss funkce, kdy se podařilo dosáhnout mAP 36.02%.
|
|
|
Recognition of Vehicle Class in Image
Čabala, Roman ; Kodym, Oldřich (oponent) ; Špaňhel, Jakub (vedoucí práce)
The goal of this bachelor thesis is to recognize the type of vehicle from the image using neural networks. Vehicles are divided into 6 types, namely a car, a small van, a van, a mini truck, a truck and a bus. The data set was picked from videos that record the trajectory of the vehicles. Subsequently, an image annotation tool was built. The following architectures were used for network training: VGG16, ResNet50, Xception, InceptionResNet-v2. The result of the work is a comparison of architectures. All architectures were trained and achieved a result above 90%.
|
host ::
RSS.