|
|
Detekce typu a bodového ohodnocení kartiček ve hře Hobiti
Hlinský, Martin ; Kohút, Jan (oponent) ; Vaško, Marek (vedoucí práce)
Cílem této práce je vytvořit detektor karet, který s využitím umělé generace datové sady dokáže natrénovat model, jenž umožňuje zjistit bodové ohodnocení karty a její typ. K samotnému trénování je využit model YOLOv8. Prvním krokem je nafocení karet, které se následně zpracovávají tak, aby neobsahovaly pozadí a byly zarovnány. Tyto předzpracované fotky karet se v kombinaci s obrázky z jiných datových sad spojí v generátoru, který karty náhodně rozmisťuje, otáčí a simuluje fotky reálných případů. Výstupem tohoto generátoru je v případě hry Hobiti ideálně zhruba 50 000 obrázků, avšak v rámci experimentů jsou porovnávány různé velikosti datasetu a předtrénovaných váh. Poslední generace natrénovaných detektorů byla validována na reálné datové sadě za účelem nezaujatého testování a nejpřesnější model trénovaný na čistě syntetických datasetech dosáhl přesnosti až 81,5 % podle metriky 50. Na finálním detektoru je pak možné implementovat například počítadlo bodů, jehož prototyp je v této práci rovněž popsán.
|
|
|
Strojové učení ze syntetické datové sady pro počítání přepravek v obraze
Koďousek, Ondřej ; Juránek, Roman (oponent) ; Herout, Adam (vedoucí práce)
Cílem práce je vytvořit proces, který spočítá kolik je ve videozáznamu či statickém snímku přepravek. Toho se dosáhne pomocí modelu, který je natrénován na syntetické datové sadě, a následně jsou výsledky upraveny na úrovni individuálních snímků a dále na úrovni souvislého videozáznamu. Tahle syntetická datový sada je vygenerována pomocí skriptu v programu Blender s využitím Octane Render, pro vyšší úroveň fotorealismu. Přínos úspěšného trénování na syntetické datové sadě je rychlejší a především automatické vytváření anotací. Jelikož se anotace generují se samotným snímkem, není problém vygenerovat velké množství snímku bez jediné manuální anotace. Dalším přínosem je náskok při vytváření modelu na detekci objektů, které jsou na trhu nové a nemají dostatek dat, případně jsou teprve ve výrobě. Detekoval jsem na statických snímkcích i ve videozáznamu, u obou případů jsem s modelem natrénovaným na syntetických datech dosahoval úspěšnosti nad 90%.
|
|
|
Generátor syntetické datové sady pro dopravní analýzu
Svoreň, Ondrej ; Sochor, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Táto bakalárska práca sa zaoberá vytvorením generátora syntetickej dátovej sady pre do pravnú analýzu. V práci sa venujem problematike analýzy dopravy prostredníctvom počí tačového videnia, spôsobu a podmienkam vytvorenia generátora syntetickej dátovej sady, potenciálnemu využitiu výsledkov na strojové učenie a možnostiam ďalšieho vývoja. Zo za obstaraných fotografií automobilov Českej republiky, Slovenska, Poľska a Maďarska som vytvoril generátor syntetických poznávacích značiek týchto štátov, ktoré tvoria po grafic kých úpravách a po spojení s fotografiami automobilov výslednú dátovú sadu určenú na strojové učenie. Samotné riešenie je rozdelené do troch skriptov v jazyku Python s použi tím knižnice OpenCV. Výsledná dátová sada slúži systému využívajúcemu strojové učenie na reidentifikáciu evidenčných čísel vozidiel z fotografií zachytených v cestnej premávke.
|
|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Generátor syntetické datové sady pro dopravní analýzu
Šlosár, Peter ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato diplomová práce se zabývá návrhem a vývojem nástrojů na generování syntetické datové sady pro potřeby dopravní analýzy. První část obsahuje stručné uvedení do problematiky detekce automobilů a renderovacích metod. Pro generování přizpůsobitelné sady statických trénovacích obrázků a syntetického videa z jediné fotografie je použit Blender a sada skriptů. Je dbáno na co nejrealističtější výstup vhodný pro další zpracování na účely analýzy dopravy, produkovaná data jsou bohatě automaticky anotována. Dosažené výsledky jsou otestované na detektoru vozidel nad reálnými testovacími daty a úspěšností detekce porážejí reálné trénovací datasety. Vyhodnocena je také výpočetní náročnost nástrojů. Závěr obsahuje shrnutí přínosu práce a výčet možných rozšíření do budoucna.
|
|
|
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.
|
|
|
Využití syntetických dat pro zlepšení detekce cyklistů a chodců v autonomním řízení
Kopčilová, Zuzana ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Tato práce se zabývá tvorbou umělé datové sady pro autonomní řízení a možností jejího využití pro zlepšení přesnosti detekce zranitelných účastníků provozu. Existující práce v této oblasti buď nezveřejňují svůj postup tvorby datové sady, nebo nejsou vhodné pro účely 3D detekce objektů. V rámci této práce jsou představeny konkrétní kroky pro vytvoření umělé datové sady. Získané vzorky jsou následně validovány pomocí jejich vizualizace a při experimentech využity pro učení modelu detekce objektů VoxelNet.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
host ::
RSS.