|
|
Detekce vozidla v obraze
Petráš, Adam ; Zemčík, Pavel (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato bakalářská práce je zaměřena na detekci vozidel v obraze. V práci je rozebrána metoda detekce vozidel pomocí konvolučních neuronových sítí, jejich struktury a modely. Všechny skripty byly realizovány v programovacím jazyce Python s rozhraním Tensorflow Object Detection API. První část bakalářské práce jsem věnoval strukturám populárních neuronových sítí a modelům detekčních neuronových sítí. Další kapitola se zabývá nejznámějšími frameworky, které se používají pro strojové učení. Byly vybrány tři modely neuronové sítě, jež byly natrénovány na datasetu COD20K. Výsledkem jsou statistické údaje, které pojednávají o efektivitě a výkonu jednotlivých modelů na natrénovaném datasetu a porovnání výkonu bez zobrazení videa na zařízeních Nvidia RTX 2060, kdy výkon dosažený sítí SDD MobileNet V2 byl 300FPS a Nvidia Tegra TX2 8GB, jehož výkon dosahoval téměř 44FPS.
|
|
|
Segmentace obrazu pomocí strojového učení
Matějek, Libor ; Frýza, Tomáš (oponent) ; Bravenec, Tomáš (vedoucí práce)
Tato práce se zabývá strojovým učením a jeho aplikací do oblasti segmentace obrazu a rozpoznávání objektů. V práci je popsána základní terminologie související se strojovým učením a dat, které s ním souvisí. Dále se zaměřuje na biologickou podstatu neuronu a jeho technologické aplikace. Jsou zde přiblíženy základní druhy neuronových sítí a pro zpracování obrazu stěžejní konvoluční neuronová síť. Práce také uvádí využívané architektury konvolučních neuronových sítí. Dále navazují metody předzpracování obrazu před konvoluční sítí R-CNN. Následně jsou rozebrány některé z datasetů vhodných pro rozpoznání obrazu. Implementace je pak realizována v jazyce Python s podporou frameworku PyTorch od Facebooku.
|
|
|
Human Body Segmentation Using R-Cnn
Matějek, Libor
The article deals with basic concepts in the sector of image processing using neural networks.It describes the basic principles and methods of object recognition and image segmentationusing neural network architectures based on R-CNN architecture. Specifically the work focuses onhuman body segmentation from static images, resulting in individual segments in the output maskcorresponding to each limb of a human body
|
|
|
Segmentace obrazu pomocí strojového učení
Matějek, Libor ; Frýza, Tomáš (oponent) ; Bravenec, Tomáš (vedoucí práce)
Tato práce se zabývá strojovým učením a jeho aplikací do oblasti segmentace obrazu a rozpoznávání objektů. V práci je popsána základní terminologie související se strojovým učením a dat, které s ním souvisí. Dále se zaměřuje na biologickou podstatu neuronu a jeho technologické aplikace. Jsou zde přiblíženy základní druhy neuronových sítí a pro zpracování obrazu stěžejní konvoluční neuronová síť. Práce také uvádí využívané architektury konvolučních neuronových sítí. Dále navazují metody předzpracování obrazu před konvoluční sítí R-CNN. Následně jsou rozebrány některé z datasetů vhodných pro rozpoznání obrazu. Implementace je pak realizována v jazyce Python s podporou frameworku PyTorch od Facebooku.
|
|
|
Detekce vozidla v obraze
Petráš, Adam ; Zemčík, Pavel (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato bakalářská práce je zaměřena na detekci vozidel v obraze. V práci je rozebrána metoda detekce vozidel pomocí konvolučních neuronových sítí, jejich struktury a modely. Všechny skripty byly realizovány v programovacím jazyce Python s rozhraním Tensorflow Object Detection API. První část bakalářské práce jsem věnoval strukturám populárních neuronových sítí a modelům detekčních neuronových sítí. Další kapitola se zabývá nejznámějšími frameworky, které se používají pro strojové učení. Byly vybrány tři modely neuronové sítě, jež byly natrénovány na datasetu COD20K. Výsledkem jsou statistické údaje, které pojednávají o efektivitě a výkonu jednotlivých modelů na natrénovaném datasetu a porovnání výkonu bez zobrazení videa na zařízeních Nvidia RTX 2060, kdy výkon dosažený sítí SDD MobileNet V2 byl 300FPS a Nvidia Tegra TX2 8GB, jehož výkon dosahoval téměř 44FPS.
|
host ::
RSS.