|
|
Detekce dopravních značek a semaforů
Chocholatý, Tomáš ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Práce se zabývá detekcí dopravních značek a semaforů v obraze s využitím konvolučních neuronových sítí. Cílem je vytvoření vhodného detektoru pro detekci a rozpoznání dopravního značení v reálném provozu. Za účelem trénování konvolučních neuronových sítí byly vytvořeny vhodné datové sady, které se skládají ze syntetické i reálné datové sady. Pro syntetickou datovou sadu byl vytvořen generátor, který simuluje různé deformace značek. Vyhodnocení kvality detekce je prováděno pomocí vlastního programu pro kvantitativní vyhodnocování. Podařilo se dosáhnout úspěšnosti 84\% detekovaných značek nad vlastní testovací datovou sadou. Výsledky umožňují zjistit důležitost zastoupení reálné či syntetické datové sady v trénovací sadě a vliv jednotlivých deformací syntetické datové sady na konečnou kvalitu detekce.
|
|
|
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.
|
|
|
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.
|
|
|
Detekce dopravních značek a semaforů
Chocholatý, Tomáš ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Práce se zabývá detekcí dopravních značek a semaforů v obraze s využitím konvolučních neuronových sítí. Cílem je vytvoření vhodného detektoru pro detekci a rozpoznání dopravního značení v reálném provozu. Za účelem trénování konvolučních neuronových sítí byly vytvořeny vhodné datové sady, které se skládají ze syntetické i reálné datové sady. Pro syntetickou datovou sadu byl vytvořen generátor, který simuluje různé deformace značek. Vyhodnocení kvality detekce je prováděno pomocí vlastního programu pro kvantitativní vyhodnocování. Podařilo se dosáhnout úspěšnosti 84\% detekovaných značek nad vlastní testovací datovou sadou. Výsledky umožňují zjistit důležitost zastoupení reálné či syntetické datové sady v trénovací sadě a vliv jednotlivých deformací syntetické datové sady na konečnou kvalitu detekce.
|
host ::
RSS.