|
|
Rozpoznávání osob s pomocí snímků obličeje
Lindovský, Michal ; Burget, Radim (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaměřuje na rozpoznání osoby mezi několika miliony osob v~řádech několika sekund. V rámci práce se porovnávají dva frameworky sloužící k rozpoznávání obličejů, OpenFace a Face Recognition. Jsou porovnávány výpočetní časy lokalizace a zakódování obličeje. Dále se porovnává přesnost rozpoznání v různých testech např. rozostřený obrázek, změna světlosti, věk osoby, použití slunečních brýlí. Vytvořená webová aplikace slouží k rozpoznání osoby v různých databázích osob. V aplikaci lze přidávat/odebírat databáze osob. Aplikace umožňuje do databáze zařadit osoby automaticky podle pohlaví nebo ručně. Pro zrychlení rozpoznání osoby lze využít více jáder procesoru.
|
|
|
Protection of sensitive data contained in images
Mezina, Anzhelika ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This work is focused on application of deep learning in security problem of escape sensitive information, that is contained in images. The presented solution of this problem is using Single Shot Multibox Detector and Fully Connected Network (FCN). FCN is faster than other methods and can be applied in industry, where is a need to analyse input and output information very quickly, for example, in network traffic analysis. In the first part of this work, methods that can be used in keyword detection are described. The second part contains a description of experiment and achieved results for two models of neural network: Single Shot Multibox Detector and Fully Connected Network. The second one gave better results and can be used in practice.
|
|
|
Determination of Objects Similarity Based on Image Information
Rajnoha, Martin ; Kamencay,, Patrik (oponent) ; Beneš, Radek (oponent) ; Burget, Radim (vedoucí práce)
Monitoring of public areas and their automatic real-time processing became increasingly significant due to the changing security situation in the world. However, the problem is an analysis of low-quality records, where even the state-of-the-art methods fail in some cases. This work investigates an important area of image similarity – biometric identification based on face image. The work deals primarily with the face super-resolution from a sequence of low-resolution images and it compares this approach to the single-frame methods, that are still considered as the most accurate. A new dataset was created for this purpose, which is directly designed for the multi-frame face super-resolution methods from the low-resolution input sequence, and it is of comparable size with the leading world datasets. The results were evaluated by both a survey of human perception and defined objective metrics. A hypothesis that multi-frame methods achieve better results than single-frame methods was proved by a comparison of both methods. Architectures, source code and the dataset were released. That caused a creation of the basis for future research in this field.
|
|
|
Scalable Person Identification System For Real-Time Applications
Rajnoha, Martin
Face recognition systems can play significant role in our every day lives. This paper proposes a scalable system for person identification based on face recognition methods and its implementation that utilizes queues, containers and microservices architecture. The proposed system uses a GPU acceleration therefore it can run in real-time. It utilizes two deep neural networks – Single Shot Multibox Detector (SSD) for a face detection and Facenet for a face recognition.
|
|
|
Face superresolution from image sequence
Mezina, Anzhelika ; Rajnoha, Martin (oponent) ; Burget, Radim (vedoucí práce)
This work is focused on application of deep learning in increasing resolution of images containing face. This can be applied in different fields, including security. For example, in case of incident, the police needs to identify a culprit from the records of security camera. The aim of this work is to propose neural network models, which would work with sequence of frames, and to compare these models with existing methods for a single image super-resolution. For this purpose, a new dataset with sequences of the images with faces is created. The methods for the single super-resolution are trained on the new dataset. The new architectures for multiframe super-resolution are proposed. They are based on U-Net model. This model is successful for segmentation tasks, but it can be also applied for super-resolution tasks. To improve this architecture, the residual blocks and its modification are used. To avoid blurring effect and recover more details, the perceptual loss function is applied. In the first part of this work, the description of neural networks and overview of the architectures, which can be applied in super-resolution, is provided. The second part contains the methods for super-resolution of a single frame, multiframe, video. In the next section, there is a description of proposed architectures and description of the experiment. In the last part of the work, multiframe methods and single frame methods are compared. In the result, the proposed methods recover more details, however, some architectures produce artefacts, which can be reduced using a filter, for example, Gaussian. New methods allow to reduce the number of failed face recognition. This fact is necessary for person identification in case of incidents.
|
|
|
Vliv pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů
Mikulec, Vojtěch ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaobírá vlivem pozadí a velikosti databáze na trénování neuronových sítí pro klasifikaci obrazů. V práci jsou popsány techniky zpracování obrazů pomocí konvolučních neuronových sítí a vliv pozadí (šumu) a velikosti databáze na trénování. Práce navrhuje metody, se kterými lze dosáhnout rychlejšího a přesnějšího procesu trénování konvolučních neuronových sítí. Pro experimentování je vybrána binární klasifikace datové množiny označených tváří z různého prostředí, jejíž pozadí je pro každý experiment modifikováno nahrazením barvou nebo ořezáním. Velikost datové množiny je pro trénování konvolučních neuronových sítí klíčová, v této práci je experimentováno s velikostí trénovací množiny, což simuluje reálný problém s nedostatkem dat při trénování konvolučních neuronových sítí pro klasifikaci obrazů.
|
|
|
Rozpoznávání osob s pomocí snímků obličeje
Lindovský, Michal ; Burget, Radim (oponent) ; Rajnoha, Martin (vedoucí práce)
Tato bakalářská práce se zaměřuje na rozpoznání osoby mezi několika miliony osob v~řádech několika sekund. V rámci práce se porovnávají dva frameworky sloužící k rozpoznávání obličejů, OpenFace a Face Recognition. Jsou porovnávány výpočetní časy lokalizace a zakódování obličeje. Dále se porovnává přesnost rozpoznání v různých testech např. rozostřený obrázek, změna světlosti, věk osoby, použití slunečních brýlí. Vytvořená webová aplikace slouží k rozpoznání osoby v různých databázích osob. V aplikaci lze přidávat/odebírat databáze osob. Aplikace umožňuje do databáze zařadit osoby automaticky podle pohlaví nebo ručně. Pro zrychlení rozpoznání osoby lze využít více jáder procesoru.
|
|
|
Face parameterization using videosequence
Lieskovský, Pavol ; Mekyska, Jiří (oponent) ; Rajnoha, Martin (vedoucí práce)
This work deals with the problem of face parameterization from the video of a speaking person and estimating Parkinson’s disease and the progress of its symptoms based on face parameters. It describes the syntax and function of the program that was created within this work and solves the problem of face parameterization. The program formats the processed data into a time series of parameters in JSON format. From these data, a dataset was created, based on which artificial intelligence models were trained to predict Parkinson’s disease and the progress of its symptoms. The process of model training and their results are documented within this work.
|
|
|
Generovaní databáze pro specifické případy identifikace osob
Kolmačka, Tomáš ; Kolařík, Martin (oponent) ; Rajnoha, Martin (vedoucí práce)
Diplomová práce se věnuje současné problematice identifikace osob a hlubokého učení. Dále se práce zabývá především získáním kvalitních a různorodých dat, které jsou využívány k trénování hlubokého učení s konvolučními neuronovými sítěmi pro rozpoznávání obličejů. Takových dat je velmi málo veřejně přístupných, proto se praktická část práce zaměřuje na vytvoření pluginu pro nástroj MakeHuman umožňující generování databáze obrázků náhodných tváří. Generovat tváře je možné podle pěti různých scénářů, ve kterých jsou vytvářeny čistě náhodné obličeje nebo obličeje, na kterých je možné vidět ten stejný obličej jen s různými modifikacemi jako je změna vlasů, vousů, klobouků, brýlí a dalšího. Scénáře také umožňují generování tváří s různými výrazy nebo tváře při stárnutí. V pluginu je možné nastavení některých parametrů, které dávají podobu výsledné databázi. Ta může obsahovat snímky tváře z různých úhlů natočení, přiblížení a při různém nasvícení.
|
|
|
Prototypové ověření modifikace evolučního algoritmu
Švestka, Marek ; Rajnoha, Martin (oponent) ; Šeda, Pavel (vedoucí práce)
Tato práce se zabývá evolučními algoritmy s vazbou na problém plánování přistávání letounů na letištích. Cílem práce je vytvořit genetický algoritmus na řešení této úlohy, aplikovat zvolené modifikace od vedoucího práce, výsledky statisticky zpracovat a porovnat. Hledání řešení problému probíhá za pomoci různých selekčních metod, které jsou blíže porovnány a vyhodnoceny. Vstupní data pro konkrétní úlohu jsou použity z Operations research knihovny. Výstupem práce je náhled na evoluční přístup k programování a jeho využití.
|
host ::
RSS.