|
|
Detekce dopravních značek v obraze a videu
Kočica, Filip ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší problematiku detekce dopravního značení za pomoci moderních technik zpracování obrazu. K řešení byla použita speciální architektura hluboké konvoluční neuronové sítě zvaná YOLO, tedy You Only Look Once, která řeší detekci i klasifikaci objektů v jednom kroce, což celý proces značně urychluje. Práce pojednává také o porovnání úspěšnosti modelů trénovaných na reálných a syntetických datových sadách. Podařilo se dosáhnout úspěšnosti 63.4% mAP při použití modelu trénovaného na reálných datech a úspěšnosti 82.3% mAP při použití modelu trénovaného na datech syntetických. Vyhodnocení jednoho snímku trvá na průměrně výkonném grafickém čipu ~40.4ms a na nadprůměrně výkonném čipu ~3.9ms. Přínosem této práce je skutečnost, že model neuronové sítě trénovaný na syntetických datech může za určitých podmínek dosahovat podobných či lepších výsledků, než model trénovaný na reálných datech. To může usnadnit proces tvorby detektoru o nutnost anotovat velké množství obrázků.
|
|
|
Detekce dopravních značek v obraze a videu
Kočica, Filip ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
Tato práce řeší problematiku detekce dopravního značení za pomoci moderních technik zpracování obrazu. K řešení byla použita speciální architektura hluboké konvoluční neuronové sítě zvaná YOLO, tedy You Only Look Once, která řeší detekci i klasifikaci objektů v jednom kroce, což celý proces značně urychluje. Práce pojednává také o porovnání úspěšnosti modelů trénovaných na reálných a syntetických datových sadách. Podařilo se dosáhnout úspěšnosti 63.4% mAP při použití modelu trénovaného na reálných datech a úspěšnosti 82.3% mAP při použití modelu trénovaného na datech syntetických. Vyhodnocení jednoho snímku trvá na průměrně výkonném grafickém čipu ~40.4ms a na nadprůměrně výkonném čipu ~3.9ms. Přínosem této práce je skutečnost, že model neuronové sítě trénovaný na syntetických datech může za určitých podmínek dosahovat podobných či lepších výsledků, než model trénovaný na reálných datech. To může usnadnit proces tvorby detektoru o nutnost anotovat velké množství obrázků.
|
|
| |
|
|
Syntetické pojmy a priori
Duží, M. ; Materna, Pavel
Pojmy jsou explikovány jako objektivní procedury ('konstrukce' v transparentní intenzionální logice). Všechny matematické pojmy jsou a priori. Analytické matematické funkce jsou efektivní procedury, které vypočítávájí rekurzívní funkce. Syntetické matematické pojmy buď identifikují nerekurzivní funkci nebo identifikují rekurzívní funkci neefektivním způsobem. Syntetických pojmů a priori je více než analytických pojmů a priori.
|
|
|
Syntetické pojmy apriori
Materna, Pavel
Racionální jádro Kantova tvrzení, že existují syntetické soudy a priori lze formulovat takto: některé a priori (především matematické) pojmy nemohou svůj předmět určit efektivním způsobem.
|
host ::
RSS.