|
|
Příprava trénovacích dat pomocí generativních neuronových sítí
Ševčík, Pavel ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
|
|
|
Umělá inteligence (AI ) v architektuře
Rubáč, František ; Mačuda, Michal (oponent) ; Vítek, Jiří (vedoucí práce)
Práce se primárně zabývá tématem AI a jejího využití v architektuře. V práci se zprvu zabývám AI v širším měřítku, poté uvedu jednotlivé možnosti využití AI v architektuře. Popisuji teoretické využití AI a tento popis doprovázím praktickými příklady. Poté se zaměřuji na organickou architekturu a na generování organických fasád a budov. Ke konci práce ukáži výsledky své práce na vygenerovaných výstupech a modelech.
|
|
|
Fusion of Radar and Visual Data for Remote Sensing
Strych, Tomáš ; Beran, Vítězslav (oponent) ; Kolář, Martin (vedoucí práce)
The aim of this thesis is to generate optical imagery in case of its unavailability. Optical and radar data from the past are used to generate such images. The main application field of this thesis is agriculture, where countless vegetation indexes can be used. In this thesis, for simplicity, only NDVI is utilized. Four datasets were created, each for the first three seasons of the year and the fourth that connects them all. As a solution for an image to image translation, Pix2Pix-cGAN was chosen. The results show the differences in the use of these datasets, between the different amounts and types of used pictures, as well as the interval adjustments between pictures. Our research found that the network is capable of creating plausible imagery with valid numerical values, but struggles to correctly utilize the information about the radar difference, which is important in order to evaluate plant development mainly when the optical imagery is unavailable. This thesis and its results are unique due to the geographically diverse dataset across Europe and the focus on agriculture, regardless of crop type.
|
|
|
Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek
Glos, Michal ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce bylo rozšíření datové sady pro detekci dopravních značek. K řešení byly použity generativní neuronové sítě typu PatchGAN a Wasserstein GAN, kombinující architektury DenseNet a U-Net. Modely byly navrženy k syntéze snímků reálně vypadajících dopravních značek z obrázků jejich norem. Model pro detekci objektů typu SSD, natrénován pouze na syntetických datech, dosáhl přesnosti 59.6 % mAP, což je o 9.4 % lepší výsledek oproti referenčnímu modelu, natrénovaném pouze na původních datech. V případě natrénování modelu na kombinaci syntetických a původních dat, dosáhl SSD model přesnosti až 80.1 % mAP.
|
|
|
Fusion of Radar and Visual Data for Remote Sensing
Strych, Tomáš ; Beran, Vítězslav (oponent) ; Kolář, Martin (vedoucí práce)
The aim of this thesis is to generate optical imagery in case of its unavailability. Optical and radar data from the past are used to generate such images. The main application field of this thesis is agriculture, where countless vegetation indexes can be used. In this thesis, for simplicity, only NDVI is utilized. Four datasets were created, each for the first three seasons of the year and the fourth that connects them all. As a solution for an image to image translation, Pix2Pix-cGAN was chosen. The results show the differences in the use of these datasets, between the different amounts and types of used pictures, as well as the interval adjustments between pictures. Our research found that the network is capable of creating plausible imagery with valid numerical values, but struggles to correctly utilize the information about the radar difference, which is important in order to evaluate plant development mainly when the optical imagery is unavailable. This thesis and its results are unique due to the geographically diverse dataset across Europe and the focus on agriculture, regardless of crop type.
|
|
|
Umělá inteligence (AI ) v architektuře
Rubáč, František ; Mačuda, Michal (oponent) ; Vítek, Jiří (vedoucí práce)
Práce se primárně zabývá tématem AI a jejího využití v architektuře. V práci se zprvu zabývám AI v širším měřítku, poté uvedu jednotlivé možnosti využití AI v architektuře. Popisuji teoretické využití AI a tento popis doprovázím praktickými příklady. Poté se zaměřuji na organickou architekturu a na generování organických fasád a budov. Ke konci práce ukáži výsledky své práce na vygenerovaných výstupech a modelech.
|
|
|
Využití sítí typu GAN pro zpřesňování detekce a rozpoznávání dopravních značek
Glos, Michal ; Musil, Petr (oponent) ; Smrž, Pavel (vedoucí práce)
Cílem této práce bylo rozšíření datové sady pro detekci dopravních značek. K řešení byly použity generativní neuronové sítě typu PatchGAN a Wasserstein GAN, kombinující architektury DenseNet a U-Net. Modely byly navrženy k syntéze snímků reálně vypadajících dopravních značek z obrázků jejich norem. Model pro detekci objektů typu SSD, natrénován pouze na syntetických datech, dosáhl přesnosti 59.6 % mAP, což je o 9.4 % lepší výsledek oproti referenčnímu modelu, natrénovaném pouze na původních datech. V případě natrénování modelu na kombinaci syntetických a původních dat, dosáhl SSD model přesnosti až 80.1 % mAP.
|
|
|
Příprava trénovacích dat pomocí generativních neuronových sítí
Ševčík, Pavel ; Kolář, Martin (oponent) ; Hradiš, Michal (vedoucí práce)
Cílem této práce byla příprava trénovací datové sady pro detekci dopravních značek pomocí generativních neuronových sítí. V řešení byla použita upravená architektura U-Net a bylo experimentováno s aplikací stylů pomocí vrstev AdaIN podobně jako v modelu StyleGAN. Rozšířením reálné datové sady GTSDB o uměle vytvořené snímky bylo dosaženo úspěšnosti 80,36 %, což představuje zlepšení o 19,27 % oproti úspěšnosti detektoru natrénovanému pouze na reálných datech.
|
host ::
RSS.