|
|
Doplnění chybějící části obrazu pomocí hlubokého učení
Zobaník, Radek ; Kubík, Tibor (oponent) ; Šilling, Petr (vedoucí práce)
V této práci vznikla aplikace pro testování a porovnávání metod pro doplnění chybějící části obrazu za využití hlubokého učení a byly natrénovány dvě metody, pconv s konvoluční architekturou, respektive AOT-GAN s GAN architekturou. Práce popisuje návrh výsledné aplikace, její funkcionalitu a důležité body implementace. Byla zvolena datová sada, na které byly vybrané modely optimálně natrénovány. Proběhly experimenty na AOT-GAN modelu, kdy se zkoumal vliv počtu AOT bloků v generátoru na výsledný doplněný obraz. Všechny experimenty byly kvalitativně a kvantitativně porovnány. Výsledky ukázaly úctyhodné výsledky při práci s přírodní scenérií.
|
|
|
Detekce ohně a kouře ve videozáznamu
Buzovský, Viktor ; Říha, Kamil (oponent) ; Přinosil, Jiří (vedoucí práce)
Práce pojednává o možnostech detekce ohně a kouře ve videozáznamu z reálného prostředí. Cílem práce je vybrat vhodný model, tento model natrénovat a jeho detekční schopnosti následně vylepšit přídavnou implementací. První část práce shrnuje potřebné teoretické znalosti, které jsou v kontextu práce využívány. Druhá, praktická část, pak představuje naučený model a jeho následné pokusy o vylepšení, jednak pomocí optického toku a dále pak pomocí přídavných klasifikačních sítí. Práce je zakončena finální implementací detektoru ohně a kouře a je představen návrh na jeho potenciální zlepšení. Součástí práce jsou mimo jiné i použité a vytvořené datasety.
|
|
|
Fyzikální aspekty digitálního obrazu a detekce objektů aplikací konvolučních neuronových sítí
ŠTINDLOVÁ, Lucie
Diplomová práce se zabývá problematikou počítačového vidění a porovnáním trénovaných deep learning modelů. V teoretické části je rozpracován podrobný přehled fyzikálních vlastností elektromagnetického záření viditelného spektra a principů záznamu digitálního snímku, včetně jeho vlastností. Následuje rešerše metod zpracování obrazu, kde jsou stručně charakterizovány konvenční metody a poté i konvoluční neuronové sítě. Praktická část je zaměřena na vytvoření vhodného datasetu s anotacemi, jenž je dále aplikován pro trénování vybraných modelů. Z hlediska zvolených vyhodnocovacíh metrik, a také na základě experimentálního stanovení vstupních parametrů pro trénování, je analyzována variabilita a přesnost získaných výsledků.
|
host ::
RSS.