|
|
Automatická anotace obrazu
Hegmon, Jiří ; Karásek, Jan (oponent) ; Burget, Radim (vedoucí práce)
Rozeznávání a porovnávání obrazu je jedním z hlavních problémů a okruhů oboru počitačového vidění. Tato práce k těmto dvěma problémům připojuje třetí, rozpoznání semantiky, významu obrazu, tzv. anotaci nebo label. Práce využívá znalosti metod rozpoznávání podobnosti obrazů k vytvoření nástroje, který je schopen na základě trénovací množiny obrazů a anotací vytvořit skupinu nejpravděpodobnějších anotací pro danou testovací množinu obrazů. Tato práce představuje několik druhů testovacích množin vhodných pro rozpoznávání anotačních informací u obrazů. Následně je vybrána nejvhodnější množina s potřebnou velikostí trénovací množiny a dostatkem informací v anotacích. Na základě této trénovací množiny je navrhnut algoritmus pro snadné načtení testovací množiny bez velkých nároků na výkon počítače. Vyhodnocení anotačních informací testovací množiny je prováděno na základě různých podobnostních algoritmů. Na počátku této práce byly použity jednoduché, ale nepříliš efektivní metody MSE a porovnání barevných histogramů, postupně bylo ale nutno přejít k použítí náročnějších metod (jako je například Tamura, Gabor, CEDD nebo různé druhy hostistogramů). Výsledky tohoto porovnání jsou nakonec brány pro vyhodnocení pravděpodobnosti výskytu dané anotace pro daný obrázek určené testovací množiny. Na závěr práce je provedeno vyhodnocení přesnosti určení anotace na základě informací z použitých trénovacích množin.
|
|
|
Detekce a rozpoznávaní tváře s využitím platformy Raspberry Pi
Rozhoňová, Andrea ; Mézl, Martin (oponent) ; Hesko, Branislav (vedoucí práce)
Následující bakalářská práce se věnuje problematice detekce a rozpoznání tváří v obraze. Teoretická část rozděluje metody detekce a rozpoznání obličeje do několika skupin, které jsou poté blíže popsány a vysvětleny. Na konci teoretické části je shrnuto současné využití rozpoznání osob na základě tváří v praxi. V praktické části je implementovaná metoda detekce obličeje jako kombinace přístupu, který využívá haarovy příznaky a přístupu s vyhledáváním pomocí šablony oka. Následné rozpoznání zajišťuje konvoluční neuronová síť. Závěrem jsou shrnuty zásady a problémy spojené s implementací na mikropočítač Raspberry Pi.
|
|
|
Metody detekce a rozpoznání obličeje v obrazu
Zbranek, Miroslav ; Horák, Karel (oponent) ; Honec, Peter (vedoucí práce)
Cílem této diplomové práce je prostudování metod pro detekci a rozpoznání obličeje v obrazu. Na základě prostudování odborné literatury bude zvolena metoda pro detekci obličeje a metoda pro rozpoznání obličeje. Obě metody budou implementovány za pomoci knihovny OpenCV a programovacího jazyku C/C++. Výsledkem práce je vytvoření grafického rozhraní, které využívá naprogramovaných funkcí pro detekci a rozpoznání obličeje jak z obrazu tak i kamery.
|
|
|
Rozpoznání paralingvistických signálů v řečovém projevu
Mašek, Jan ; Míča, Ivan (oponent) ; Atassi, Hicham (vedoucí práce)
Tento dokument popisuje tři metody pro klasifikaci paralingvistických výrazů jako smích a pláč z každodenních rozhovorů analýzou zvukového signálu. Pro tento účel byla vytvořena databáze nahrávek. Protože se dnes často setkáváme i s hudbou, byly do databáze začleněny i stavy: řeč, hudba, hudba se zpěvem a řeč s hudbou v pozadí. Extrakce příznaků, redukce příznaků a klasifikace jsou společné kroky v rozpoznání pro všechny tři popsané metody. Rozdíl metod spočívá v samotné klasifikaci. První metoda využívá přímého přístupu a klasifikuje všechny třídy najednou. Druhá metoda využívá postupnou klasifikaci ve stromové struktuře, která se skládá z pěti dílčích klasifikátorů. Poslední metoda využívá klasifikaci každé z dvojic tříd samostatně. Nejlepší příznaky pro každou z dílčích klasifikací byly identifikovány využitím statistické metody F-poměru a pro každou klasifikaci byly použity Gaussovy smíšené modely.
|
|
|
Detekce a rozpoznání maticového kódu v reálném čase
Dobrovolný, Martin ; Juránková, Markéta (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí a rozpoznáním maticových kódů. Experimentuje s využitím PCLines algoritmu. PCLines využívá Houghovu transformaci a paralelní souřadnice pro rychlé hledání přímek v obraze. Navrhovaný algoritmus pomocí dvojitého použití PCLines detekuje sady rovnoběžek a cross-ratio rovnicí řeší problémy obrazu zkresleného paralelní projekcí. Dále popisuje optimalizace pro běh v reálném čase a experimentální implementaci. Výsledky testů ukazují, že využití PCLines je jednou z možných cest k detekci maticových kódů.
|
|
|
Identifikace objektů v obraze
Štěpán, Filip ; Malach, Tobiáš (oponent) ; Boleček, Libor (vedoucí práce)
Cílem práce je vytvoření algoritmu pro identifikaci objektu v obraze. Výsledný program bude schopen zpracovat reálná obrazová data. Z tohoto důvodu je důraz kladen zejména na složitost prostředí, ve kterém se objekty nalézají, spolehlivou segmentaci a kvalitní identifikaci objektu. Práce je zaměřena na detekci a identifikaci svislého dopravního značení v obraze, nacházejícího se podél silničních komunikací na území České republiky.
|
|
|
Self-Supervised Learning for Recognition of Sports Poses in Image
Konečný, Daniel ; Beran, Vítězslav (oponent) ; Herout, Adam (vedoucí práce)
The goal of this thesis is to recognize sports poses in image data with a self-supervised learning approach to achieve high classification accuracy even with a low number of annotated samples. Self-supervision is obtained by using images of the same scene from multiple viewpoints at identical and different times. A convolutional neural network trained with triplet loss learns embedding vectors of sports poses and a dense neural network classifies them. The proposed self-supervised model achieves classification accuracy higher by 30-40 % than a supervised model when there are only tens or ones of annotated training samples from each class. The main contributions of this thesis are a set of semi-automatic tools to prepare a dataset for the specific training process, two datasets with sets of labels for classification, and implemented models for specific self-supervised learning. The results show that self-supervised learning is a meaningful approach for solving classification problems with very few labeled samples.
|
|
| |
|
| |
|
|
Automatická klasifikace vybraných terénních tvarů z jejich kartografické reprezentace
Sykora, Matúš ; Bayer, Tomáš (vedoucí práce) ; Brodský, Lukáš (oponent)
Automatická klasifikace vybraných terénních tvarů z jejich kartografické reprezentace Táto diplomová práca sa zaoberá automatickou klasifikáciou vybraných terénnych tvarov a ich kartografickou reprezentáciou. Cieľom tejto diplomovej práce je navrhnúť metodický postup pre automatické rozpoznávanie terénnych tvarov (kopy a údolia) s využitím strojového učenia (Deep Learning) . Prvá časť navrhnutej metódy sa venuje hrubej segmentáci9 reliéfu na dve kategórie, ktoré budú následne klasifikované pomocou konvolučných neurónových sieti. Druha časť diplomovej práce sa zaoberá samotnou klasifikáciou predsegmentovaných terénnych tvarov pomocou strojového učenia. Obe fázy spracovania využívajú ako vstupné dáta snímky SRTM30. Celá navrhnutá metóda bola spracovaná v programovacom jazyku Python s využitím knižníc Arcpy, TensorFlow a Keras. Kľúčové slová: Digitálna kartografia, GIS, terénne tvary, strojové učenie, Deep Learning, rozpoznávanie, klasifikácia, segmentácia
|
host ::
RSS.