|
|
Detekce význačných bodů v obrazech vozidel
Chadima, Vojtěch ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší automatickou detekci význačných bodů na obrázcích automobilu. Takto detekované význačné mohou dále sloužit k automatické kalibraci kamery, například pro dohled v dopravě, což je problém, po jehož vyřešení je možné kameru využít v aplikacích jako měření rychlosti vozidel či hustoty dopravy. K detekci význačných bodů jsem použil konvoluční neuronovou síť typu Stacked Hourglass. Dále byl vytvořen generátor trénovacích dat v podobě obrázku a odpovídající anotace využívající API Blenderu, který umožňuje vytváření datasetů pro libovolné objekty. Detekované význačné body jsem analyzoval a seřadil dle přesnosti jejich detekce, přičemž platí, že čím přesněji je bod na snímku detekovatelný, tím je vhodnější pro použití při úlohách typu kalibrace kamery.Podařilo se natrénovat modely neuronových sítí, které jsou schopny detekovat 1 021 význačných bodů, z nichž nejlepších 24 s průměrnou odchylkou menší než 3 pixely. Výsledky této práce jsou základem pro kalibraci kamery na základě rozpoznání nejvhodnějších význačných bodů, případně mohou dále sloužit k vytváření vlastních trénovacích datasetů a trénování vlastních modelů neuronových sítí typu Stacked Hourglass.
|
|
|
Counting Vehicles in Static Images
Zemánek, Ondřej ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This work addresses the problem of counting vehicles in static images with no geometric information of the scene. Five convolutional neural network architectures were studied, implemented and trained as the main part of this work. Also, a dataset that consists of 19 310 images from 12 views that captures 7 different scenes were taken as part of this work. The trained networks map the appearance of the input sample to its corresponding vehicles density map, which can be easily translated to the vehicle count with keeping the localization of the vehicles in the input image. The main contribution of this work is in an application and a comparison of the state-of-the-art solutions to the problem of object counting. Most of them were mainly designed to count pedestrians in crowded scenes or for medicine images, so the major goal was to adapt these solutions for vehicle counting task. The implemented models were evaluated on TRANCOS dataset and large custom dataset with the GAME metric. Their performance is compared and the results are discussed.
|
|
|
Panoramatické snímky automaticky
Motáček, Vladimír ; Španěl, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato práce se zabývá automatickým skládáním panoramatických snímků. Snímky nemusí být pořízeny pouze v horizontálním směru ani nemusí být seřazeny. Využívá základních technik jako detekce bodů v obraze Harrisovým rohovým detektorem, nalezení korespondencí těchto bodů pomocí korelace a počítání homografie metodou RANSAC. Obrázky jsou mapovány do roviny dané referenčním snímkem.
|
|
|
Skládání panoramat z fotografií
Pospíšil, Lukáš ; Maršík, Lukáš (oponent) ; Svoboda, Pavel (vedoucí práce)
Hlavní náplní této práce je porovnání algoritmů pro výpočet homografie. Konkrétně jsou porovnávány algoritmy RANSAC, LO-RANSAC a PROSAC. Samotné skládání panoramat je bráno pouze jako prostředek pro porovnání. Ale i přesto jsou v~této práci uvedeny základní algoritmy používané při skládání panoramat.
|
|
|
Counting Vehicles in Static Images
Zemánek, Ondřej ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This work addresses the problem of counting vehicles in static images with no geometric information of the scene. Five convolutional neural network architectures were studied, implemented and trained as the main part of this work. Also, a dataset that consists of 19 310 images from 12 views that captures 7 different scenes were taken as part of this work. The trained networks map the appearance of the input sample to its corresponding vehicles density map, which can be easily translated to the vehicle count with keeping the localization of the vehicles in the input image. The main contribution of this work is in an application and a comparison of the state-of-the-art solutions to the problem of object counting. Most of them were mainly designed to count pedestrians in crowded scenes or for medicine images, so the major goal was to adapt these solutions for vehicle counting task. The implemented models were evaluated on TRANCOS dataset and large custom dataset with the GAME metric. Their performance is compared and the results are discussed.
|
|
|
Detekce význačných bodů v obrazech vozidel
Chadima, Vojtěch ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší automatickou detekci význačných bodů na obrázcích automobilu. Takto detekované význačné mohou dále sloužit k automatické kalibraci kamery, například pro dohled v dopravě, což je problém, po jehož vyřešení je možné kameru využít v aplikacích jako měření rychlosti vozidel či hustoty dopravy. K detekci význačných bodů jsem použil konvoluční neuronovou síť typu Stacked Hourglass. Dále byl vytvořen generátor trénovacích dat v podobě obrázku a odpovídající anotace využívající API Blenderu, který umožňuje vytváření datasetů pro libovolné objekty. Detekované význačné body jsem analyzoval a seřadil dle přesnosti jejich detekce, přičemž platí, že čím přesněji je bod na snímku detekovatelný, tím je vhodnější pro použití při úlohách typu kalibrace kamery.Podařilo se natrénovat modely neuronových sítí, které jsou schopny detekovat 1 021 význačných bodů, z nichž nejlepších 24 s průměrnou odchylkou menší než 3 pixely. Výsledky této práce jsou základem pro kalibraci kamery na základě rozpoznání nejvhodnějších význačných bodů, případně mohou dále sloužit k vytváření vlastních trénovacích datasetů a trénování vlastních modelů neuronových sítí typu Stacked Hourglass.
|
|
|
Skládání panoramat z fotografií
Pospíšil, Lukáš ; Maršík, Lukáš (oponent) ; Svoboda, Pavel (vedoucí práce)
Hlavní náplní této práce je porovnání algoritmů pro výpočet homografie. Konkrétně jsou porovnávány algoritmy RANSAC, LO-RANSAC a PROSAC. Samotné skládání panoramat je bráno pouze jako prostředek pro porovnání. Ale i přesto jsou v~této práci uvedeny základní algoritmy používané při skládání panoramat.
|
|
|
Panoramatické snímky automaticky
Motáček, Vladimír ; Španěl, Michal (oponent) ; Beran, Vítězslav (vedoucí práce)
Tato práce se zabývá automatickým skládáním panoramatických snímků. Snímky nemusí být pořízeny pouze v horizontálním směru ani nemusí být seřazeny. Využívá základních technik jako detekce bodů v obraze Harrisovým rohovým detektorem, nalezení korespondencí těchto bodů pomocí korelace a počítání homografie metodou RANSAC. Obrázky jsou mapovány do roviny dané referenčním snímkem.
|
host ::
RSS.