|
|
Počítání vozidel ve statickém obraze
Vágner, Filip ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95.
|
|
|
Počítání vozidel ve statickém obraze
Jelínek, Zdeněk ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Hlavním cílem této práce bylo porovnání různých moderních přístupů k počítání vozidel pomocí odhadu hustoty. Celkem byly porovnány čtyři modely konvolučních neuronových sítí - Counting CNN, Hydra CNN, Perspective-Aware CNN a Multi-column CNN. Vyhodnocení natrénovaných modelů bylo provedeno na třech různých datasetech. Nejpřesnějších výsledků na všech datasetech dosáhl model Perspective-Aware CNN. Na datasetu PUCPR+ dosáhl hodnoty Mean Absolute Error 2,86, čímž prokázal, že jeho použití u problému počítání vozidel je vhodné.
|
|
|
Počítání vozidel ve statickém obraze
Hladiš, Martin ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnání modelů konvolučních neuronových sítí, které využívají princip počítání pomocí odhadu hustoty pro úkol počítání vozidel ve statickém obraze. Celkem byly testovány tyto modely -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Jejich schopnost odhadu byla testována na datasetech -- TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Multi-Scale Fusion Net. Jeho přesnost odhadu na datasetu TRANCOS v metrice Mean Absolut Error dosáhla hodnoty 8.05.
|
|
|
Počítání vozidel ve statickém obraze
Vágner, Filip ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Úkolem této práce je porovnání modelů konvolučních neuronových sítí určených k počítání vozidel ve statickém obraze pomocí odhadu hustoty se zaměřením na rozdílné velikosti objektů ve scéně. Celkem byly vyhodnoceny čtyři modely - Scale Pyramid Network, Scale-adaptive CNN, Multi-scale fusion network a CASA-Crowd. Vyhodnocení proběhlo na třech datových sadách - TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Scale Pyramid Network. Na datové sadě TRANCOS dosáhl v metrice Mean Absolute Error hodnoty 5,44 a v metrice GAME(3) hodnoty 9,95.
|
|
|
Počítání vozidel ve statickém obraze
Hladiš, Martin ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnání modelů konvolučních neuronových sítí, které využívají princip počítání pomocí odhadu hustoty pro úkol počítání vozidel ve statickém obraze. Celkem byly testovány tyto modely -- Counting CNN, Scale-adaptive CNN, Multi-Scale Fusion Net a Multi-scale CNN. Jejich schopnost odhadu byla testována na datasetech -- TRANCOS, CARPK, PUCPR+. Nejlepších výsledků dosáhl model Multi-Scale Fusion Net. Jeho přesnost odhadu na datasetu TRANCOS v metrice Mean Absolut Error dosáhla hodnoty 8.05.
|
|
|
Počítání vozidel ve statickém obraze
Jelínek, Zdeněk ; Juránek, Roman (oponent) ; Špaňhel, Jakub (vedoucí práce)
Hlavním cílem této práce bylo porovnání různých moderních přístupů k počítání vozidel pomocí odhadu hustoty. Celkem byly porovnány čtyři modely konvolučních neuronových sítí - Counting CNN, Hydra CNN, Perspective-Aware CNN a Multi-column CNN. Vyhodnocení natrénovaných modelů bylo provedeno na třech různých datasetech. Nejpřesnějších výsledků na všech datasetech dosáhl model Perspective-Aware CNN. Na datasetu PUCPR+ dosáhl hodnoty Mean Absolute Error 2,86, čímž prokázal, že jeho použití u problému počítání vozidel je vhodné.
|
|
|
Odhad hustoty pomocí ortogonálních řad
Zheng, Ci Jie ; Dvořák, Jiří (vedoucí práce) ; Pawlas, Zbyněk (oponent)
Existuje mnoho způsobů jak odhadnout tvar hustoty rozdělení. Obecně je můžeme rozdělit na parametrické a neparametrické metody. Základními příklady neparametrické metody jsou například histogram a jádrové odhady. Dalším příkladem neparametrického přístupu je odhad hustoty pomocí ortogonálních řad. V této práci popíšeme odvození myšlenky, na které stojí tato metoda a dále podrobně popíšeme Kronmal-Tarterovu metodu, kterou budeme následně simulovat na datech ze známého rozdělení.
|
|
|
Nonparametric density estimates used for multiple AE source detection
Gális, P. ; Chlada, Milan
Paper deals with the localization of acoustic emission (AE) sources by means of exact geodesic curves on 3D vessels composed of several parametrized surfaces. Precise arrival times of AE events, plugged in DeltaT/DeltaL localization is discussed. Two-dimensional nonparametric (kernel) density estimates are employed to obtain the localization maps on 3-D surfaces and the potential regions of cracks are visibly highlighted. This newly proposed procedure is applied to steam reservoir and other experimental vessels. The results presented are accompanied by thoroughgoing evaluation of their quality and practical usefulness.
|
|
|
The density estimation of Large carnivores in the selected parts of West Carpathians and factors affecting their occurance
Kuruganti, Shaldayya
Pozorovanie ukazalo ze hustota vyskytu Euroazijskeho rysa je 1,3 a 1,2 nezavyslych jedincov na 100km2 oblasti pozorovania v oblasti Javornik pre dve obdobia a 0,8 nezavyslich jedincov na 100km2 pre oblast Beskidy. V tomto pozorovani se nepodarilo najit jine velke selmy jako je vlk (Canis lupus) nebo medved (Ursus arctos) oblastech Beskydy a Javorniky. Hostota vyskytu rysu je nizka ale jejich pocet by mel v budoucnu vzrust. V tychto oblastiach je dostatok potravy pre podporu existujucej populacie pre nasledujici dve leta. Hlavni faktory ktere pusobi na rysy sou zmensovani oblasti, pytlactvo, znizovanie mnozstva potravy co vedie az k hladovaniu a zrazky s vozidlamy. Pre zachranu druhou musia byt zavedene prisne opatrenia tak ako aj dlhodobe pozorovania pre ziskanie rozsiahlehych vedomosti o druhoch. Reintrodukce musi byt zahajena tam kde Duvod proc sme nezaznamenali zadne vlky nebo medvedy mozu byt i z duvodu ze oblasti v ktere sme pozorovali sou velke a tech nekolik vlku a medvedu mohli prave premigrovat. Taktez je mnoho moznosti k reintrodukci vlku v moji oblasti pozorovani a doufam ze tak bude v budoucnu uskutocneno a zpelsi se rozmanitost a zachova sa rozmanitost volne zijucich zivocichu.
|
host ::
RSS.