|
|
Příznaky z videa pro klasifikaci
Behúň, Kamil ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce porovnává ručně-navrženy příznaky s příznaky naučenými metodami učení příznaků při klasifikací videa. Příznaky naučené pomocí Analýzy nezávislých podprostorů, Řídkými Autoenkodéry a vybělením Analýzou hlavních komponent byly otestovány v systému pro klasifikaci videa pomocí Bag of Words, ve kterém nahradily ručně-navrženy příznaky (např. SIFT, HOG, HOF). Úspěšnost klasifikace těchto naučených příznaků byla testována na datových sadách Human Motion DataBase a YouTube Action Data Set, kde ukázaly lepší výsledky než ručně-navrženy příznaky. Tato práce také ukazuje pomocí navržené metody inspirovanej metódami Multiple Kernel Learning, že při kombinaci naučených příznaků s ručně-navrženými příznaky lze dosáhnout ještě výraznější zlepšení úspěšnosti klasifikace videa a to i v případě, když ručně-navrženy příznaky a naučené příznaky samostatně nedosahují příliš velké úspěšnosti klasifikace.
|
|
|
Nástroj pro sběr a zpracování sportovních videí
Bahník, Marek ; Zemčík, Pavel (oponent) ; Herout, Adam (vedoucí práce)
Cílem této práce je vytvořit nástroj v jazyce Python pro získávání videí na určitou sportovní tematiku z YouTube a jejich úpravu do formy potřebné např. pro učení neuronových sítí. Videa jsou rozdělena na jednotlivé klipy pomocí proprietární metody porovnávání dvou snímků okolo podezřelého snímku. Tyto klipy jsou dále klasifikovány na škále relevance s využitím optického toku. Pro stažení kvalitní sady celých videí je třeba zadat správné klíčové slovo a vytvořit filtry pro YouTube vyhledávání. Tento nástroj není plně automatizovaný a optimalizovaný, ale je navržen tak, aby co nejvíce zrychlil a ulehčil proces vytváření datové sady. Obecně je v průběhu volání jednotlivých částí potřeba uživatelsky manuálně zasahovat a kontrolovat výstupní data.
|
|
|
Příznaky z videa pro klasifikaci
Behúň, Kamil ; Herout, Adam (oponent) ; Hradiš, Michal (vedoucí práce)
Tato práce porovnává ručně-navrženy příznaky s příznaky naučenými metodami učení příznaků při klasifikací videa. Příznaky naučené pomocí Analýzy nezávislých podprostorů, Řídkými Autoenkodéry a vybělením Analýzou hlavních komponent byly otestovány v systému pro klasifikaci videa pomocí Bag of Words, ve kterém nahradily ručně-navrženy příznaky (např. SIFT, HOG, HOF). Úspěšnost klasifikace těchto naučených příznaků byla testována na datových sadách Human Motion DataBase a YouTube Action Data Set, kde ukázaly lepší výsledky než ručně-navrženy příznaky. Tato práce také ukazuje pomocí navržené metody inspirovanej metódami Multiple Kernel Learning, že při kombinaci naučených příznaků s ručně-navrženými příznaky lze dosáhnout ještě výraznější zlepšení úspěšnosti klasifikace videa a to i v případě, když ručně-navrženy příznaky a naučené příznaky samostatně nedosahují příliš velké úspěšnosti klasifikace.
|
host ::
RSS.