|
|
Detekce jógových pozic v obraze
Kutálek, Jiří ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Motivací pro tuto práci je koncept mobilní aplikace detekující jógové pozice a zobrazující výsledky uživateli. Cílem této práce je ověření hypotézy, že i jednoduchý model konvoluční neuronové sítě dokáže rozpoznávat a klasifikovat snímky z nahraných jógových sekvencí. Napsal jsem aplikaci, v níž se pořízená videa ručně oanotují. Výsledná data, sestávající ze snímků extrahovaných ze 162 jógových videí na základě jednotlivých anotací, jsou pak použita k trénování modelu sítě. Vytvořený Dataset obsahuje 22 000 obrázků reprezentující 22 různých jógových pozic. Snímky jsou z videí extrahovány pomocí knihovny OpenCV, trénování modelu je plně v režii platformy TensorFlow a API Keras, a výsledky jsou vizualizovány pomocí nástroje TensorBoard. Přesnost modelu detekovat jógové pozice dosahuje 91% při použití aktivační funkce sigmoid a binary cross-entropy loss function. I přes slibně vypadající dosažené výsledky jsou hlavním přínosem této práce nástroje pro tvorbu datasetu a vytvořený Dataset samotný. Díky nim byla navrhovaná hypotéza úspěšně ověřena.
|
|
|
Experimenty s určením lidské pózy v obraze a videu
Horejš, Michal ; Kocur, Viktor (oponent) ; Herout, Adam (vedoucí práce)
Detekce jevů v obraze má široké uplatnění v mnoha oborech a je proto důležité detekci neustále vyvíjet a vylepšovat. Tato práce se konkrétně zabývá problémem detekce sportovních pozic v obraze a videu. Cílem bylo experimentovat s nástroji pro rozpoznání lidské pózy a obecně rozpoznání jevů. Během experimentů došlo k vytvoření tří nových datových sad, ve kterých jsou využity klíčové body lidského těla. Datasety poté sloužily k trénování několika namodelovaných architektur konvolučních neuronových sítí. Výsledky experimentů ukazují, že vhodné využití klíčových bodů může pomoci s detekcí sportovních pozic.
|
|
|
Detekce jógových pozic v obraze
Kutálek, Jiří ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Motivací pro tuto práci je koncept mobilní aplikace detekující jógové pozice a zobrazující výsledky uživateli. Cílem této práce je ověření hypotézy, že i jednoduchý model konvoluční neuronové sítě dokáže rozpoznávat a klasifikovat snímky z nahraných jógových sekvencí. Napsal jsem aplikaci, v níž se pořízená videa ručně oanotují. Výsledná data, sestávající ze snímků extrahovaných ze 162 jógových videí na základě jednotlivých anotací, jsou pak použita k trénování modelu sítě. Vytvořený Dataset obsahuje 22 000 obrázků reprezentující 22 různých jógových pozic. Snímky jsou z videí extrahovány pomocí knihovny OpenCV, trénování modelu je plně v režii platformy TensorFlow a API Keras, a výsledky jsou vizualizovány pomocí nástroje TensorBoard. Přesnost modelu detekovat jógové pozice dosahuje 91% při použití aktivační funkce sigmoid a binary cross-entropy loss function. I přes slibně vypadající dosažené výsledky jsou hlavním přínosem této práce nástroje pro tvorbu datasetu a vytvořený Dataset samotný. Díky nim byla navrhovaná hypotéza úspěšně ověřena.
|
host ::
RSS.