|
|
Rozpoznávání vzorů
Pelc, Matěj ; Richter, Miloslav (oponent) ; Horák, Karel (vedoucí práce)
Tato práce představuje algoritmus rozpoznávaní dopravních značek v obraze při dobrých světelných podmínkách. Využívá metodu segmentace na základě barev pro nalezení červených dopravních značek. K identifikaci jednotlivých tvarů je využita metoda rychlé radiální symetrie FRS. Na základě této metody jsou dopravní značky děleny do čtyř tříd.
|
|
|
Detekce dopravních značek
Ťapuška, Tomáš ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Táto bakalárska práca sa zaoberá detekciou dopravných značiek v obraze. Popisuje známe postupy, ich výhody a nevýhody. Je v nej uvedený popis implementácie systému pre detekciu dopravných značiek. V poslednej kapitole sú uvedené testy prevedené na systéme s využitím testovacej sady, ktorú som zostavil a anotoval.
|
|
|
Příprava trénovacích dat pomocí generativních neuronových sítí
Ševčík, Pavel ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
|
|
|
Analýza záznamu palubní kamery automobilu
Kadeřábek, Jan ; Bartl, Vojtěch (oponent) ; Špaňhel, Jakub (vedoucí práce)
Práce se zabývá analýzou záznamu palubní kamery automobilu. Při zpracování záznamů probíhá detekce zákazových dopravních značek, následná klasifikace konkrétního typu dopravní značky a případné určení hodnoty rychlostního limitu. Ze zpracovaných informací se pokouší vytvořit výsledný soubor, který zahrnuje unikátní výskyty dopravních značek včetně jejich GPS souřadnic. Za účelem detekce a rozpoznání dopravních značek jsou vytvořeny potřebné datové sady. Jako detektor je použit kaskádový klasifikátor s příznaky LBP. Klasifikace typu a hodnot dopravních značek je prováděna pomocí klasifikační metody k-Nearest Neigbour.
|
|
|
Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek
Glos, Michal ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce bylo rozšíření datové sady pro detekci dopravních značek. K řešení byly použity generativní neuronové sítě typu PatchGAN a Wasserstein GAN, kombinující architektury DenseNet a U-Net. Modely byly navrženy k syntéze snímků reálně vypadajících dopravních značek z obrázků jejich norem. Model pro detekci objektů typu SSD, natrénován pouze na syntetických datech, dosáhl přesnosti 59.6 % mAP, což je o 9.4 % lepší výsledek oproti referenčnímu modelu, natrénovaném pouze na původních datech. V případě natrénování modelu na kombinaci syntetických a původních dat, dosáhl SSD model přesnosti až 80.1 % mAP.
|
|
|
Návrh detektoru dopravních značek pomocí metod zpracování obrazu
Šmíd, Josef ; Adámek, Roman (oponent) ; Věchet, Stanislav (vedoucí práce)
Tato diplomová práce se zabývá návrhem detektoru dopravních značek pomocí metod zpracování obrazu. K tomu je využita knihovna OpenCV pro práci s obrazem v programovacím jazyce Python. První část se zabývá rešerší o používaných metodách. V další části jsou tyto metody testovány na nasbíraných snímcích dopravních značek v běžném denním provozu při různém nasvícení. Z výsledků testů byly navrženy optimální metody a jejich nastavení, které se následně opět ověřily na videozáznamech jízdy vozidlem. Tím se zároveň zjistilo, za jakých podmínek jsou schopny fungovat v real-time systémech. Na závěr byl ze sledování průběhů detekce navržen optimalizační algoritmus pro kompenzaci chyb v detekci.
|
|
|
Detekce objektů pomocí hlubokých neuronových sítí
Paníček, Andrej ; Herout, Adam (oponent) ; Teuer, Lukáš (vedoucí práce)
Táto práca sa zaoberá detekciou objektov pomocou hlbokých neurónových sietí. V rámci riešenia som upravil, implementoval a natrénoval dobre známy model kaskádových neuró- nových sietí MTCNN tak aby dokázal vykonávať detekciu dopravných značiek. Trénovacie dáta boli vygenerované z dátových sád GTSRB a GTSDB. MTCNN ukázal solídny výkon na vyhodnocovacích dátach z dátovej sady GTSDB, kde dosiahol presnosť detekcie 97.8 %.
|
|
|
Detekce dopravních značek pro autonomní vozidla
Kovaříková, Lucie ; Píštěk, Václav (oponent) ; Kučera, Pavel (vedoucí práce)
Tato diplomová práce se zabývá detekcí dopravních značek pro autonomní vozidla s využitím programovacího jazyka Python a architektury konvoluční neuronové sítě YOLOv7. Cílem je rešerše v oblasti rozpoznávání dopravního značení a naprogramování algoritmů pro komunikaci s kamerou a detekci. Výsledkem je experimentální ověření detekce a jeho vyhodnocení.
|
|
|
Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek
Glos, Michal ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce bylo rozšíření datové sady pro detekci dopravních značek. K řešení byly použity generativní neuronové sítě typu PatchGAN a Wasserstein GAN, kombinující architektury DenseNet a U-Net. Modely byly navrženy k syntéze snímků reálně vypadajících dopravních značek z obrázků jejich norem. Model pro detekci objektů typu SSD, natrénován pouze na syntetických datech, dosáhl přesnosti 59.6 % mAP, což je o 9.4 % lepší výsledek oproti referenčnímu modelu, natrénovaném pouze na původních datech. V případě natrénování modelu na kombinaci syntetických a původních dat, dosáhl SSD model přesnosti až 80.1 % mAP.
|
|
|
Návrh detektoru dopravních značek pomocí metod zpracování obrazu
Šmíd, Josef ; Adámek, Roman (oponent) ; Věchet, Stanislav (vedoucí práce)
Tato diplomová práce se zabývá návrhem detektoru dopravních značek pomocí metod zpracování obrazu. K tomu je využita knihovna OpenCV pro práci s obrazem v programovacím jazyce Python. První část se zabývá rešerší o používaných metodách. V další části jsou tyto metody testovány na nasbíraných snímcích dopravních značek v běžném denním provozu při různém nasvícení. Z výsledků testů byly navrženy optimální metody a jejich nastavení, které se následně opět ověřily na videozáznamech jízdy vozidlem. Tím se zároveň zjistilo, za jakých podmínek jsou schopny fungovat v real-time systémech. Na závěr byl ze sledování průběhů detekce navržen optimalizační algoritmus pro kompenzaci chyb v detekci.
|
host ::
RSS.