|
|
Point to Line Mappings and Other Line Parameterizations not only for Hough Transform
Havel, Jiří ; Kälviäinen, Heikki (referee) ; Lefevre, Sebastien (referee) ; Herout, Adam (advisor)
Tato práce se zabývá Houghovou transformací (HT). HT je nejčastěji používána pro detekci přímek nebo křivek, ale byla zobecněna i pro detekci libovolných tvarů. Hlavní téma této práce jsou parametrizace přímek, speciálně PTLM - zobrazení bodů na přímky. Tyto parametrizace mají tu vlastnost, že bodům v obrázku odpovídají přímky v parametrickém prostoru. Tato práce poskytuje důkazy některých vlastností PTLM. Za zmínku stojí existence páru PTLM vhodného pro detekci a efekt konvoluce v obrázku na obsah parametrického prostoru. V práci jsou prezentovány dvě implementace HT. Obě využívají k akceleraci grafický hardware. Jedna využívá GPGPU API CUDA a druhá zobrazovací API OpenGL. Jako aplikace detekce přímek je uvedena část detekce šachovnicových markerů použitelných pro rozšířenou realitu.
|
|
|
Deep learning for tree line ecotone mapping from remote sensing data
Dvořák, Jakub ; Potůčková, Markéta (advisor) ; Lefèvre, Sébastien (referee)
Deep learning is growing in popularity in the remote sensing community, especially as a classification algorithm. First part of this thesis describes deep neural networks commonly used for remote sensing classification and their various applications. Capabilities of selected geospatial software suites in relation to deep models are also discussed in this part. Theoretical findings from the first part of the thesis are validated using two deep convolutional Encoder-Decoder networks - U-Net and its proposed adaptation called KrakonosNet. They are used to perform a sematic segmentation of spruce trees and dwarf pine shrubs in the tree line ecotone of the Krkonoše Mountains, Czechia. A normalised digital surface model is employed for creation of sufficiently large amount of training data, while the classification itself is performed using only optical imagery with very high spatial resolution. Resulting classification is compared to a set of traditional remote sensing classifiers, namely Maximum Likelihood, Random Forest, and a Support Vector Machine. Both U-Net and KrakonosNet significantly outperform the other classifiers on this dataset and will be consequently used in a related research project. Key words deep learning, U-Net, Krkonoše mountains, classification, vegetation mapping, picea abies,...
|
|
|
Point to Line Mappings and Other Line Parameterizations not only for Hough Transform
Havel, Jiří ; Kälviäinen, Heikki (referee) ; Lefevre, Sebastien (referee) ; Herout, Adam (advisor)
Tato práce se zabývá Houghovou transformací (HT). HT je nejčastěji používána pro detekci přímek nebo křivek, ale byla zobecněna i pro detekci libovolných tvarů. Hlavní téma této práce jsou parametrizace přímek, speciálně PTLM - zobrazení bodů na přímky. Tyto parametrizace mají tu vlastnost, že bodům v obrázku odpovídají přímky v parametrickém prostoru. Tato práce poskytuje důkazy některých vlastností PTLM. Za zmínku stojí existence páru PTLM vhodného pro detekci a efekt konvoluce v obrázku na obsah parametrického prostoru. V práci jsou prezentovány dvě implementace HT. Obě využívají k akceleraci grafický hardware. Jedna využívá GPGPU API CUDA a druhá zobrazovací API OpenGL. Jako aplikace detekce přímek je uvedena část detekce šachovnicových markerů použitelných pro rozšířenou realitu.
|
guest ::
