|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Kombinace metod laserové spektroskopie pro chemickou analýzu
Holub, Daniel ; Novotný, Karel (oponent) ; Pořízka, Pavel (vedoucí práce)
Tato diplomová práce se zabývá kombinací dat vybraných metod laserové spektroskopie. Pro kombinaci byly vybrány metody LIBS a metoda Ramanovy spektroskopie. Kombinace těchto dvou metod je aplikována na rozdělení plastů za účelem automatizace třídění. Operace s daty byly prováděny pomocí metod počítačového učení v programovacím jazyku R. Kombinací těchto dvou metod bylo dosaženo přesnosti rozdělení přesahující 90 %. Práce také adresuje problémy vyplývající z kombinace dvou různých metod.
|
|
|
Rozpoznání hranic jízdního pruhu v záběrech palubní kamery
Fridrich, David ; Kohút, Jan (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá detekcí jizdních pruhů. Konkrétně vlastního generátoru syntetických dat, jeho využití při trénování neuronových sítí, testování výsledků na konvoluční neuronové síti (CNN) modelu UNet a možnosti rozšíření tohoto modelu na SALMNet model (Structure-Aware Lane Marking Detection Network) pomocí přidání SGCA modulu (Semantic-Guided Channel Attention) a pyramidového modulu PDC (Pyramid deformable convolution). Výsledky trénování syntetických dat ukazují že síť umí rozpoznávat silniční pruhy velmi dobře, s přesností kolem 95\,\% (na jednodušších obrázcích dosahuje i 99\,\%). Nad reálným datasetem se výsledky lišily pro jednotlivé datasety, TuSimple dosahoval větší přesnosti kvůli menší obtížnosti obrázků, a sice kolem 62\,\%. Datová sada CuLane dosahovala pouze kolem 37\,\% velmi nestabilně.
|
|
|
Kombinace metod laserové spektroskopie pro chemickou analýzu
Holub, Daniel ; Novotný, Karel (oponent) ; Pořízka, Pavel (vedoucí práce)
Tato diplomová práce se zabývá kombinací dat vybraných metod laserové spektroskopie. Pro kombinaci byly vybrány metody LIBS a metoda Ramanovy spektroskopie. Kombinace těchto dvou metod je aplikována na rozdělení plastů za účelem automatizace třídění. Operace s daty byly prováděny pomocí metod počítačového učení v programovacím jazyku R. Kombinací těchto dvou metod bylo dosaženo přesnosti rozdělení přesahující 90 %. Práce také adresuje problémy vyplývající z kombinace dvou různých metod.
|
host ::
RSS.