|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
|
|
Pokročilá analýza pohybujících se objektů v dopravě
Hora, Adam ; Dejdar, Petr (oponent) ; Kiac, Martin (vedoucí práce)
Tato práce řeší problém sledování objektů živě z kamer nebo z kamerových záznamů. Cílem také je vytvořit si vlastní datovou sadu, použitelnou při řešení dopravních situacích a analýzu pro rozpoznávání a klasifikaci předmětů. Pro vyhodnocení byla požita metoda YOLO s podporou OpenCV. Výsledkem je program, do kterého lze vkládat silniční záznamy nebo použít živý přenos z kamery umístěné tak, aby měla v záběru pozemní komunikaci. Výstupem programu je zjištění počtu motorových vozidel v daný okamžik a průměrný počet vozidel, které se za danou dobu na komunikaci nacházely. Videa, ze kterých je datová sada vytvořena, poskytl vedoucí práce. Hlavním přínosem práce je možnost sledování hustoty provozu v daných časových intervalech.
|
|
|
Pokročilá analýza pohybujících se objektů v dopravě
Hora, Adam ; Dejdar, Petr (oponent) ; Kiac, Martin (vedoucí práce)
Tato práce řeší problém sledování objektů živě z kamer nebo z kamerových záznamů. Cílem také je vytvořit si vlastní datovou sadu, použitelnou při řešení dopravních situacích a analýzu pro rozpoznávání a klasifikaci předmětů. Pro vyhodnocení byla požita metoda YOLO s podporou OpenCV. Výsledkem je program, do kterého lze vkládat silniční záznamy nebo použít živý přenos z kamery umístěné tak, aby měla v záběru pozemní komunikaci. Výstupem programu je zjištění počtu motorových vozidel v daný okamžik a průměrný počet vozidel, které se za danou dobu na komunikaci nacházely. Videa, ze kterých je datová sada vytvořena, poskytl vedoucí práce. Hlavním přínosem práce je možnost sledování hustoty provozu v daných časových intervalech.
|
|
|
Pokročilá analýza pohybujících se objektů v dopravě
Hora, Adam ; Dejdar, Petr (oponent) ; Kiac, Martin (vedoucí práce)
Tato práce řeší problém sledování objektů živě z kamer nebo z kamerových záznamů. Cílem také je vytvořit si vlastní datovou sadu, použitelnou při řešení dopravních situacích a analýzu pro rozpoznávání a klasifikaci předmětů. Pro vyhodnocení byla požita metoda YOLO s podporou OpenCV. Výsledkem je program, do kterého lze vkládat silniční záznamy nebo použít živý přenos z kamery umístěné tak, aby měla v záběru pozemní komunikaci. Výstupem programu je zjištění počtu motorových vozidel v daný okamžik a průměrný počet vozidel, které se za danou dobu na komunikaci nacházely. Videa, ze kterých je datová sada vytvořena, poskytl vedoucí práce. Hlavním přínosem práce je možnost sledování hustoty provozu v daných časových intervalech.
|
|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
host ::
RSS.