|
|
Generating training data with neural networks
Ševčík, Pavel ; Kolář, Martin (referee) ; Hradiš, Michal (advisor)
The aim of this thesis was to prepare a training data set for traffic sign detection using generative neural networks. The solution uses a modified U-Net architecture and several experiments with the application of styles using AdaIN layers as in the StyleGAN model have been conducted. By extending the real GTSDB data set with the generated images, mean average precision of 80.36 % has been achieved, which yields an improvement of 19.27 % compared to the mean average precision of the detection model trained on real data only.
|
|
|
Artificial Intelligence in architecture
Rubáč, František ; Mačuda, Michal (referee) ; Vítek, Jiří (advisor)
The thesis primarily deals with the topic of AI and its use in architecture. In the thesis I first discuss AI in a broader context, then I present the different possibilities of using AI in architecture. I describe the theoretical use of AI and accompany this description with practical examples. I then focus on organic architecture and on generating organic facades and buildings. Towards the end of the thesis I will show the results of my work on the generated outputs and models.
|
|
|
Fusion of Radar and Visual Data for Remote Sensing
Strych, Tomáš ; Beran, Vítězslav (referee) ; Kolář, Martin (advisor)
Cieľom práce je vygenerovať satelitný optický snímok v prípade jeho nedostupnosti. Takýto snímok je vygenerovaný z aktuálneho radarového snímku a za pomoci radarových a optických snímkov z minulosti. Zameranie práce cieli na poľnohospodárstvo, kde sa na analýzu dát používajú rôzne vegetačné indexy. Pre zjednodušenie problematiky je práca zameraná len na optický snímok zobrazujúci NDVI. Boli vytvorené 4 dátové sady, pre prvé tri ročné obdobia a~štvrtý, ktorý ich spája. Pre riešenie problému preloženia obrázku z jedného na druhý bol použitý model Pix2Pix-cGAN. Výsledky práce zobrazujú rozdiely pri použití dátových sád, rozličného množstva a~typu použitých snímkov, tak ako aj intervalu medzi snímkami. Daným výskumom bolo zistené, že sieť je schopná vytvárať reálne uveriteľné obrázky s validnými numerickými hodnotami, avšak má problém správne využiť informáciu o radarovej zmene, ktorá je dôležitá pre ohodnotenie vývoja rastlín práve v prípade nedostupnosti optického snímku. Táto práca a~jej výsledky sú jedinečné vďaka naprieč Európou geograficky rozmanitej dátovej sade a vďaka zameraniu na agrikultúru, a to bez ohľadu na typ plodín.
|
|
|
Improving Accuracy of Detection and Recognition of Traffic Signs with GANs
Glos, Michal ; Musil, Petr (referee) ; Smrž, Pavel (advisor)
The goal of this thesis was to extend a dataset for traffic sign detection. The solution was based on generative neural networks PatchGAN and Wasserstein GAN of combined DenseNet and U-Net architecture. Those models were designed to synthesize real looking traffic signs from images of their norms. Model for object detection SSD, trained on synthetic data only, achieved mean average precision of 59.6 %, which is an improvement of 9.4 % over the model trained on the original data. SSD model trained on synthetic and original data combined achieved mean average precision of 80.1 %.
|
|
|
Fusion of Radar and Visual Data for Remote Sensing
Strych, Tomáš ; Beran, Vítězslav (referee) ; Kolář, Martin (advisor)
Cieľom práce je vygenerovať satelitný optický snímok v prípade jeho nedostupnosti. Takýto snímok je vygenerovaný z aktuálneho radarového snímku a za pomoci radarových a optických snímkov z minulosti. Zameranie práce cieli na poľnohospodárstvo, kde sa na analýzu dát používajú rôzne vegetačné indexy. Pre zjednodušenie problematiky je práca zameraná len na optický snímok zobrazujúci NDVI. Boli vytvorené 4 dátové sady, pre prvé tri ročné obdobia a~štvrtý, ktorý ich spája. Pre riešenie problému preloženia obrázku z jedného na druhý bol použitý model Pix2Pix-cGAN. Výsledky práce zobrazujú rozdiely pri použití dátových sád, rozličného množstva a~typu použitých snímkov, tak ako aj intervalu medzi snímkami. Daným výskumom bolo zistené, že sieť je schopná vytvárať reálne uveriteľné obrázky s validnými numerickými hodnotami, avšak má problém správne využiť informáciu o radarovej zmene, ktorá je dôležitá pre ohodnotenie vývoja rastlín práve v prípade nedostupnosti optického snímku. Táto práca a~jej výsledky sú jedinečné vďaka naprieč Európou geograficky rozmanitej dátovej sade a vďaka zameraniu na agrikultúru, a to bez ohľadu na typ plodín.
|
|
|
Artificial Intelligence in architecture
Rubáč, František ; Mačuda, Michal (referee) ; Vítek, Jiří (advisor)
The thesis primarily deals with the topic of AI and its use in architecture. In the thesis I first discuss AI in a broader context, then I present the different possibilities of using AI in architecture. I describe the theoretical use of AI and accompany this description with practical examples. I then focus on organic architecture and on generating organic facades and buildings. Towards the end of the thesis I will show the results of my work on the generated outputs and models.
|
|
|
Improving Accuracy of Detection and Recognition of Traffic Signs with GANs
Glos, Michal ; Musil, Petr (referee) ; Smrž, Pavel (advisor)
The goal of this thesis was to extend a dataset for traffic sign detection. The solution was based on generative neural networks PatchGAN and Wasserstein GAN of combined DenseNet and U-Net architecture. Those models were designed to synthesize real looking traffic signs from images of their norms. Model for object detection SSD, trained on synthetic data only, achieved mean average precision of 59.6 %, which is an improvement of 9.4 % over the model trained on the original data. SSD model trained on synthetic and original data combined achieved mean average precision of 80.1 %.
|
|
|
Generating training data with neural networks
Ševčík, Pavel ; Kolář, Martin (referee) ; Hradiš, Michal (advisor)
The aim of this thesis was to prepare a training data set for traffic sign detection using generative neural networks. The solution uses a modified U-Net architecture and several experiments with the application of styles using AdaIN layers as in the StyleGAN model have been conducted. By extending the real GTSDB data set with the generated images, mean average precision of 80.36 % has been achieved, which yields an improvement of 19.27 % compared to the mean average precision of the detection model trained on real data only.
|
guest ::
