|
|
Fusing image and non-grid-like data for object segmentation
Repka, Samuel ; Nosko, Svetozár (referee) ; Zemčík, Pavel (advisor)
Objekt záujmu sa často dá popísať viacerými dátovými zdrojmi. Napríklad, z obrazu auta sa dá zistiť farba, značka, alebo aj jeho typ. Čo sa ale najskôr nedá, je zistiť stav motora, či beží alebo nie. Táto informácia sa ale dá zistiť inak, sluchom alebo aj dotykom. Aj keď je možné, že jeden dátový zdroj poskytuje všetky potrebné informácie, pridanie modality môže zlepšiť riešenie, kvôli možnej komplementarite dát. Tento proces dátovej fúzie môže byť ale pomerne komplikovaný proces. Rôzne dáta majú rôzne vlastnosti, štruktúry a rôzne výzvy, ktoré s nimi súvisia. Existuje veľké množstvo rôznych metód dátovej fúzie, ktoré sú ale často aplikovateľné len na konkrétne modality. Táto práca prezentuje nový prístup k dátovej fúzii dvoch modalít, primárne za účelom segmentácie obrazu. Jedna z modalít je obraz, druhá je ľubovoľná neštrukturovaná modalita. Prezentovaná metóda využíva graf na spoločnú reprezentáciu oboch modalít, dizajnovanú tak, aby čo najpresnejšie zachytila závislosti v modalitách aj medzi nimi. Graf je potom spracovaný, výsledkom čoho je graf so spojenými dátami, alebo aj priama segmentácia. Prezentované riešenie bolo otestované na dvoch datasetoch (z oblasti mineralógie a drevárskeho priemyslu) a porovnané s inými metódami. Výsledky ukazujú, že riešenie má veľký potenciál ale aj svoje limitácie. V prípade datasetu z mineralógie, výsledky boli výborné a ukazujú, že metóda je schopná dátovej fúzie a dokáže prekonať aj súčasné metódy vo viacerých metrikách. V druhom prípade, výsledky až tak jednoznačné neboli, pretože metóda nevylepšila výsledky v porovnaní s iným riešením, čo ale mohlo byť spôsobené aj ťažkým datasetom.
|
|
|
Machine Learning-Based Multimodal Data Processing and Mapping in Robotics
Ligocki, Adam ; Duchoň,, František (referee) ; Saska,, Martin (referee) ; Žalud, Luděk (advisor)
Disertace se zabývá aplikaci neuronových sítí pro detekci objektů na multimodální data v robotice. Celkem cílí na tři oblasti: tvorbu datasetu, zpracování multimodálních dat a trénování neuronových sítí. Nejdůležitější části práce je návrh metody pro tvorbu rozsáhlých anotovaných datasetů bez časové náročného lidského zásahu. Metoda používá neuronové sítě trénované na RGB obrázcích. Užitím dat z několika snímačů pro vytvoření modelu okolí a mapuje anotace z RGB obrázků na jinou datovou doménu jako jsou termální obrázky, či mračna bodů. Pomoci této metody autor vytvořil dataset několika set tisíc anotovaných obrázků a použil je pro trénink neuronové sítě, která následně překonala modely trénované na menších, lidmi anotovaných datasetech. Dále se autor v práci zabývá robustností detekce objektů v několika datových doménách za různých povětrnostních podmínek. Práce také popisuje kompletní řetězec zpracování multimodálních dat, které autor vytvořil během svého doktorského studia. To Zahrnuje vývoj unikátního senzorického zařízení, které je vybavené řadou snímačů běžně užívaných v robotice. Dále autor popisuje proces tvorby rozsáhlého, veřejně dostupného datasetu Brno Urban Dataset. Na závěr autor popisuje software, který vznikl během jeho studia a jak je tento software užit při zpracování dat v rámci jeho práce (Atlas Fusion a Robotic Template Library).
|
|
|
Machine Learning-Based Multimodal Data Processing and Mapping in Robotics
Ligocki, Adam ; Duchoň,, František (referee) ; Saska,, Martin (referee) ; Žalud, Luděk (advisor)
Disertace se zabývá aplikaci neuronových sítí pro detekci objektů na multimodální data v robotice. Celkem cílí na tři oblasti: tvorbu datasetu, zpracování multimodálních dat a trénování neuronových sítí. Nejdůležitější části práce je návrh metody pro tvorbu rozsáhlých anotovaných datasetů bez časové náročného lidského zásahu. Metoda používá neuronové sítě trénované na RGB obrázcích. Užitím dat z několika snímačů pro vytvoření modelu okolí a mapuje anotace z RGB obrázků na jinou datovou doménu jako jsou termální obrázky, či mračna bodů. Pomoci této metody autor vytvořil dataset několika set tisíc anotovaných obrázků a použil je pro trénink neuronové sítě, která následně překonala modely trénované na menších, lidmi anotovaných datasetech. Dále se autor v práci zabývá robustností detekce objektů v několika datových doménách za různých povětrnostních podmínek. Práce také popisuje kompletní řetězec zpracování multimodálních dat, které autor vytvořil během svého doktorského studia. To Zahrnuje vývoj unikátního senzorického zařízení, které je vybavené řadou snímačů běžně užívaných v robotice. Dále autor popisuje proces tvorby rozsáhlého, veřejně dostupného datasetu Brno Urban Dataset. Na závěr autor popisuje software, který vznikl během jeho studia a jak je tento software užit při zpracování dat v rámci jeho práce (Atlas Fusion a Robotic Template Library).
|
|
|
Methods for Localization of Image Differences in Different Modalities of Paintings
Fürbach, Radek ; Blažek, Jan (advisor) ; Křivánek, Jaroslav (referee)
The work focuses on the analysis of paintings to determine the painting techniques. Specifically, it focuses on the localization of the underdrawing by comparing images taken in the spectra with different penetration depth. Defines the problem associated with the capture of the compared images in different spectra. Specifies methods that determine the dependence between two parts of the spectrum (mainly RGB and IR) and based on the dependence approximates conversion between these two parts of the spectrum (Red spectral component projection, Colour intensity, Weighted average of spectral components, Table conversion, Linear regression, PCA analysis and Edge decomposition). Work also describes more general problems that complicate solving tasks, such as noise, non-uniform illumination and adding the same type of radiation. Problems at work are thoroughly analyzed. We design a Calculation of illumination parameters using a neural network, Approximation of illumination by blur, Polynomial approximation of illumination and TWMJ approximation of illumination for suppressing non-uniform illumination. Define methods Estimation by edge decomposition and Local least squares method solving adding the same type of radiation. In addition, we describe the Gaussian filter, the Averaging, Median filter, Conservative...
|
guest ::
