|
|
Mobilní aplikace pro vyhledávání a správu receptů
Lončík, Andrej ; Šůstek, Martin (oponent) ; Zbořil, František (vedoucí práce)
Cieľom tejto práce je vytvoriť mobilnú aplikáciu pre zariadenia s operačným systémom Android, ktorá slúži pre vyhľadávanie a spravovanie receptov a tvorbu jedálnička . Aplikácia by mala umožňovať hlasový vstup a rozpoznávanie ingrediencií z obrazu . Text práce popisuje celý proces tvorby mobilnej aplikácie od prvotnej myšlienky , cez analýzu konkurencie , návrhu užívateľského rozhrania , implementácie až po zaverečné testovanie a finálne publikovanie . Výsledné riešenie navyše umožňuje vytvárať vlastné recepty aj vyhladávať recepty na základe dostupných ingrediencií . Tie je možné zadať textom , hlasovým vstupom alebo pomocou rozpoznávania z obrazu vďaka nástroju Firebase ML Kit Image Labelling. Súčasťou je autentizácia pomocou Google účtu a uchovávanie užívateľského obsahu vo Firebase Realtime Database. Mobilná aplikácia je zverejnená v obchode Google Play pod názvom Recipio .
|
|
|
Charakterizace chodců ve videu
Studená, Zuzana ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Táto práca sa zaoberá získavaním informácií o chodcoch, ktorí sú zachytení pomocou statických vonkajších kamier umiestnených na verejných vonkajších alebo vnútorných priestranstvách. Cieľom je za použitia konvolučných neurónových sietí získať, čo najväčšie množstvo informácií ako je napríklad pohlavie, vek a typ oblečenia, doplnky, módny štýl alebo celková charakteristika osoby. Časť práce pozostáva z tvorby novej dátovej sady, ktorá zachytáva chodcov a k nim informácie o pohlaví, veku a módnom štýle osoby. Ďalšou časťou práce je návrh a implementácia konvolučných neurónových sietí, ktoré klasifikujú spomínané charakteristiky chodcov. Neurónové siete vyhodnocujú vstupné obrázky chodcov v dátových sadách PETA, FashionStyle14 a BUT atribúty chodcov. Vykonané experimenty nad dátovými sadami PETA a FashionStyle porovnávajú moje výsledky rôznych konvolučných neurónových sietí s publikáciami. Ďalšie experimenty sú ukázané na novo vytvorenej dátovej sade BUT atribúty chodcov.
|
|
|
Mobilní aplikace využívající hlubokých konvolučních neuronových sítí
Poliak, Sebastián ; Herout, Adam (oponent) ; Sochor, Jakub (vedoucí práce)
Táto práca popisuje proces tvorby mobilnej aplikácie, ktorá využíva hlboké konvolučné neurónové siete. Proces začína predstavením hlavnej myšlienky, po ktorej nasleduje produktový a technický návrh, implementácia a vyhodnotenie. Práca taktiež skúma technické pozadie rozpoznávania obrazu, a vyberá najvhodnejšie možnosti pre účely aplikácie. Tie sú detekcia objektov a multi-label klasifikácia, ktoré sú obe implementované, vyhodnotené a porovnané. Výsledná aplikácia sa snaží priniesť hodnotu z užívateľského aj technického hľadiska.
|
|
| |
|
|
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 %.
|
|
|
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 %.
|
|
|
Mobilní aplikace pro vyhledávání a správu receptů
Lončík, Andrej ; Šůstek, Martin (oponent) ; Zbořil, František (vedoucí práce)
Cieľom tejto práce je vytvoriť mobilnú aplikáciu pre zariadenia s operačným systémom Android, ktorá slúži pre vyhľadávanie a spravovanie receptov a tvorbu jedálnička . Aplikácia by mala umožňovať hlasový vstup a rozpoznávanie ingrediencií z obrazu . Text práce popisuje celý proces tvorby mobilnej aplikácie od prvotnej myšlienky , cez analýzu konkurencie , návrhu užívateľského rozhrania , implementácie až po zaverečné testovanie a finálne publikovanie . Výsledné riešenie navyše umožňuje vytvárať vlastné recepty aj vyhladávať recepty na základe dostupných ingrediencií . Tie je možné zadať textom , hlasovým vstupom alebo pomocou rozpoznávania z obrazu vďaka nástroju Firebase ML Kit Image Labelling. Súčasťou je autentizácia pomocou Google účtu a uchovávanie užívateľského obsahu vo Firebase Realtime Database. Mobilná aplikácia je zverejnená v obchode Google Play pod názvom Recipio .
|
|
| |
|
|
Charakterizace chodců ve videu
Studená, Zuzana ; Špaňhel, Jakub (oponent) ; Hradiš, Michal (vedoucí práce)
Táto práca sa zaoberá získavaním informácií o chodcoch, ktorí sú zachytení pomocou statických vonkajších kamier umiestnených na verejných vonkajších alebo vnútorných priestranstvách. Cieľom je za použitia konvolučných neurónových sietí získať, čo najväčšie množstvo informácií ako je napríklad pohlavie, vek a typ oblečenia, doplnky, módny štýl alebo celková charakteristika osoby. Časť práce pozostáva z tvorby novej dátovej sady, ktorá zachytáva chodcov a k nim informácie o pohlaví, veku a módnom štýle osoby. Ďalšou časťou práce je návrh a implementácia konvolučných neurónových sietí, ktoré klasifikujú spomínané charakteristiky chodcov. Neurónové siete vyhodnocujú vstupné obrázky chodcov v dátových sadách PETA, FashionStyle14 a BUT atribúty chodcov. Vykonané experimenty nad dátovými sadami PETA a FashionStyle porovnávajú moje výsledky rôznych konvolučných neurónových sietí s publikáciami. Ďalšie experimenty sú ukázané na novo vytvorenej dátovej sade BUT atribúty chodcov.
|
|
|
Mobilní aplikace využívající hlubokých konvolučních neuronových sítí
Poliak, Sebastián ; Herout, Adam (oponent) ; Sochor, Jakub (vedoucí práce)
Táto práca popisuje proces tvorby mobilnej aplikácie, ktorá využíva hlboké konvolučné neurónové siete. Proces začína predstavením hlavnej myšlienky, po ktorej nasleduje produktový a technický návrh, implementácia a vyhodnotenie. Práca taktiež skúma technické pozadie rozpoznávania obrazu, a vyberá najvhodnejšie možnosti pre účely aplikácie. Tie sú detekcia objektov a multi-label klasifikácia, ktoré sú obe implementované, vyhodnotené a porovnané. Výsledná aplikácia sa snaží priniesť hodnotu z užívateľského aj technického hľadiska.
|
host ::
RSS.