|
|
Web application for setting up an ergonomic position on a bicycle
Vlasák, Jiří ; Bobák, Petr (oponent) ; Čadík, Martin (vedoucí práce)
This work focuses on the development of a web application that helps users to set up an ergonomic position on a bicycle. The application uses the RTMPose pose estimation model to analyze a side view video of the user pedaling their bicycle, then computes various joint angles and provides the user suggestions for changing the bicycle saddle height, saddle setback, handlebar height and handlebar reach to achieve more ergonomic position. The application is implemented using the SvelteKit framework. The pose estimation model runs on the client-side using the TensorFlow.js library. To evaluate and improve the accuracy of the pose estimation model, a dataset of 2309 photos of the author pedaling his bicycle was created. After fine-tuning the model on this dataset, the model Normalized Mean Error significantly decreased from 2.54 to 1.51 (40\% improvement). Experiments showed that that the application successfully detects angle changes caused by the saddle height changes and that the application can be used to set up the saddle height.
|
|
|
Sledování postavy
Berka, Jiří Michael ; Řičánek, Dominik (oponent) ; Richter, Miloslav (vedoucí práce)
Bakalářská práce se zabývá vývojem softwaru pro sledování cvičící postavy a vyhodnocení odchylek od správného provedení pohybových úkonů. V práci jsou nejprve teoreticky rozebrány základy zpracování digitálního obrazu, použití různých typů kamer a technologie počítačového vidění. Následně jsou popsány metody umělé inteligence a hlubokého učení, které umožňují detekci a analýzu pohybů. Hlavní část práce se zaměřuje na implementaci systému OpenPose pro odhad pózy v reálném čase. Jsou diskutovány technické výzvy a navržena řešení pro dosažení přesnosti a spolehlivosti systému. Praktická část zahrnuje testování softwaru na reálných videích a vyhodnocení jeho výkonu. Výsledky ukazují, že vyvinutý software může efektivně pomoci při korekci pohybů a prevenci zranění v různých aplikacích.
|
|
|
6-DOF lokalizace objektů v průmyslových aplikacích
Macurová, Nela ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem práce je navrhnout metodu, která lokalizuje objekt v bodovém mračně a co nejpřesněji odhadne 6D pózu předem známých objektů v průmyslové scéně pro bin picking. Návrh řešení je inspirován sítí PoseCNN. Součástí řešení je i simulátor scén, který generuje umělá data. Simulátor je použit k vygenerování trénovací datové sady obsahující 2 objekty pro trénování konvoluční neuronové sítě. Síť je otestována na anotovaných reálných scénách a dosahuje nízké úspěšnosti, pouze 23.8 % a 31.6 % úspěšnosti pro odhad translace a rotace pro jeden typ a pro druhý objekt 12.4 % a 21.6 %, přičemž tolerance pro správný odhad je 5 mm a 15°. Avšak použitím algoritmu ICP na odhadnuté výsledky je dosažena úspěšnost odhadu translace 81.5 % a rotace 51.8 % a pro druhý objekt 51.9 % a 48.7 %. Přínosem této práce je vytvoření generátoru a otestování funkčnosti sítě na malé objekty.
|
|
|
Použití self-supervised learning pro rozpoznání sportovních pozic v obraze
Olekšák, Samuel ; Kocur, Viktor (oponent) ; Herout, Adam (vedoucí práce)
Táto práca demonštruje spôsob, ako minimalizovať množstvo potrebných označených trénovacích dát pri klasifikácií športových pozícií s použitím neurónovej siete trénovanej metódou contrastive self-supervised learning. Trénovanie prebieha v dvoch etapách. V prvej sa trénuje extraktor príznakov, ktorý využíva neoznačené trénovacie obrázky extrahované z nahrávok cvičení z viacerých uhlov. V druhej etape sa s využitím malého množstva označených dát trénuje jednoduchý klasifikátor napojený na extraktor príznakov. Práca pojednáva o klasifikácií v kontexte jogových póz, avšak výsledné riešenie sa dá jednoducho aplikovať aj na iné športy v prípade získania vhodnej dátovej sady. Pri návrhu riešenia je kladený dôraz na výkon výsledného modelu, aby mohol byť použiteľný v mobilných zariadeniach. Výsledný model na dátovej sade so štyrmi označenými obrázkami na každú jogovú pózu dosiahol s využitím augmentácií vstupných dát úspešnosť 76 %. Na väčšej dátovej sade s 800 označenými obrázkami na všetky pozície je úspešnosť 82 %.
|
|
|
Porozumění videozáznamům badmintonu
Mašláň, Vojtěch ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Cílem této bakalářské práce bylo experimentování s modely strojového učení pro porozumění záznamů badmintonu. V první částí práce byl zmapován aktuální stav v oblasti využití počítačového vidění pro analýzu sportu, následně v experimentální části bylo navrženo několik modelů pro detekci úderů badmintonu. Navržené modely využívají již existující modely pro extrakci póz lidí. Vypracované modely dosáhly přesnosti 80,1 % pro detekci 7 různých činností a 84,0 % pro detekci 4 různých činností. Natrénované modely byly demonstrovány na jednoduché webové aplikaci pro analýzu krátkých videí badmintonu.
|
|
|
Použití self-supervised learning pro rozpoznání sportovních pozic v obraze
Olekšák, Samuel ; Kocur, Viktor (oponent) ; Herout, Adam (vedoucí práce)
Táto práca demonštruje spôsob, ako minimalizovať množstvo potrebných označených trénovacích dát pri klasifikácií športových pozícií s použitím neurónovej siete trénovanej metódou contrastive self-supervised learning. Trénovanie prebieha v dvoch etapách. V prvej sa trénuje extraktor príznakov, ktorý využíva neoznačené trénovacie obrázky extrahované z nahrávok cvičení z viacerých uhlov. V druhej etape sa s využitím malého množstva označených dát trénuje jednoduchý klasifikátor napojený na extraktor príznakov. Práca pojednáva o klasifikácií v kontexte jogových póz, avšak výsledné riešenie sa dá jednoducho aplikovať aj na iné športy v prípade získania vhodnej dátovej sady. Pri návrhu riešenia je kladený dôraz na výkon výsledného modelu, aby mohol byť použiteľný v mobilných zariadeniach. Výsledný model na dátovej sade so štyrmi označenými obrázkami na každú jogovú pózu dosiahol s využitím augmentácií vstupných dát úspešnosť 76 %. Na väčšej dátovej sade s 800 označenými obrázkami na všetky pozície je úspešnosť 82 %.
|
|
|
6-DOF lokalizace objektů v průmyslových aplikacích
Macurová, Nela ; Španěl, Michal (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem práce je navrhnout metodu, která lokalizuje objekt v bodovém mračně a co nejpřesněji odhadne 6D pózu předem známých objektů v průmyslové scéně pro bin picking. Návrh řešení je inspirován sítí PoseCNN. Součástí řešení je i simulátor scén, který generuje umělá data. Simulátor je použit k vygenerování trénovací datové sady obsahující 2 objekty pro trénování konvoluční neuronové sítě. Síť je otestována na anotovaných reálných scénách a dosahuje nízké úspěšnosti, pouze 23.8 % a 31.6 % úspěšnosti pro odhad translace a rotace pro jeden typ a pro druhý objekt 12.4 % a 21.6 %, přičemž tolerance pro správný odhad je 5 mm a 15°. Avšak použitím algoritmu ICP na odhadnuté výsledky je dosažena úspěšnost odhadu translace 81.5 % a rotace 51.8 % a pro druhý objekt 51.9 % a 48.7 %. Přínosem této práce je vytvoření generátoru a otestování funkčnosti sítě na malé objekty.
|
host ::
RSS.