|
|
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.
|
|
|
Optimalizace výkonu diskového subsystému při použití SSD disků
Bělousov, Petr ; Chalupníček, Kamil (oponent) ; Kašpárek, Tomáš (vedoucí práce)
Bakalářská práce zkoumá optimalizace výkonu diskového subsystému za využití SSD disků. Prozkoumal jsem možné serverové zátěže a vybral z nich podmnožinu vhodnou k urychlení pomocí cache. V první části představuji 2 kešovací systémy, LVM cache a B-cache, spolu s možnostmi jejich správy a 2 souborové systémy Ext4 a XFS. V praktické části je naměřen výkon souborového subsystému za využití LVM cache a B-cache spolu se souborovými systémy Ext4 a XFS a jejich výkon porovnán vůči poli rotačních disků.
|
|
|
Detekce graffiti tagů v obraze
Pavlica, Jan ; Hradiš, Michal (oponent) ; Špaňhel, Jakub (vedoucí práce)
Tato práce se zaměřuje na možnost využití současných metod v oblasti počítačového vidění za účelem automatické detekce graffiti tagů v obraze. Tagy jsou nejčastějším projevem graffiti, který slouží jako podpis autora. V rámci práce byly otestovány state-of-art detekční systémy, z nichž se nejvíce osvědčil Single Shot MultiBox Detector. Bylo u něj dosaženo 75,7% AP.
|
|
|
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.
|
|
|
Výpočet mapy disparity z barevných stereo snímků
Kulíková, Barbora ; Nováček, Petr (oponent) ; Klečka, Jan (vedoucí práce)
Tato bakalářská práce se věnuje tvorbě disparitních map. První kapitoly jsou zaměřeny na fyziologii lidského vnímání prostoru a metodách zobrazení 3D obsahu, což jsou témata blízce související s disparitní mapou, jejím vznikem a praktickým využitím. Následuje popis používaných metod zpracování obrazu. Stěžejní teoretická kapitola pojednává o metodách výpočtu disparitní mapy a použitých principech. V praktické části byla vytvořena aplikace s uživatelským rozhraním v prostředí MATLAB. Aplikace umožňuje tvorbu disparitních map pomocí lokálních a globálních metod. Funkčnost aplikace a implementace metod je experimentálně ověřena a byl proveden experiment srovnávající jednotlivé metody a zkoumající vliv parametrů lokální metody na kvalitu disparitní mapy. Součástí práce bylo vytvoření jednoduché databáze stereosnímků.
|
|
|
Detektor hlavy v obraze
Svoboda, Jakub ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
Detekce hlavy je důležitou součástí algoritmů pro detekci a identifikaci osob. Tato práce je zaměřena na detekci lidské hlavy v obraze pomocí neuronových sítí. Většina konvenčních detektorů dokáže detekovat objekty v omezené množině úhlů, zatímco modely založené na neuronových sítích pokrývají větší škálu úhlů natočení hlavy. V této práci jsme natrénovali současné state-of-the-art modely a porovnali je z hlediska přesnosti a rychlosti zpracování snímku. Nejvíce se osvědčil model RetinaNet, který dosáhl přesnosti 85,15% AP. Díky tomuto detektoru mohou být vylepšené dostupné algoritmy pro detekci, identifikaci a sledování osob.
|
|
|
Souborové systémy na různých typech paměťových médií
Bortlová, Pavlína ; Krčma, Martin (oponent) ; Lojda, Jakub (vedoucí práce)
Bakalářská práce se zabývá problematikou ukádání dat na různá paměťová média, konk- trétně na HDD, SSD, flash disky a SD karty. V teoretické části práce jsou rozebrány principy funkce paměťových médií a struktura ukládání dat prostřednictvím různých souborových systému. V praktické části byla měřena rychlost čtení a zápisu vybraných kombinací sou- borových systémů (FAT, NTFS, XFS, ext4, btrfs, exFAT, JFFS, F2FS) a paměťových médií (HDD, SSD, flash disk, sd karta).
|
|
|
Detekce palných zbraní v obrazu
Debnár, Pavol ; Drahanský, Martin (oponent) ; Dvořák, Michal (vedoucí práce)
Táto práca sa zaoberá detekciou palných zbraní v obraze. V teoretickej časti je najprv definovaný pojem palná zbraň a potom sú uvedené typy palných zbraní. Nasleduje vysvetlenie obrazového šumu, ktorý môže do značnej miery ovplyvniť výsledok detekcie, a sú uvedené spôsoby, ako ho redukovať. Ďalej sú definované algoritmy obrazovej detekcie, ktoré pracujú na báze neurónových sietí - konvolučné neurónové siete (CNN) a Single Shot Multibox Detector (SSD). Vysvetlené sú aj klasické algoritmy pre detekciu v obraze ako HOG+SVM a SURF. V ďalšej časti sú uvedené použité knižnice a softvér. Nasleduje experimentálna časť, kde uvedieme navrhnutý postup riešenia a databázu. Pre detekciu boli použité algoritmy HOG+SVM, SURF a SSD. Následne sú uvedené výsledky testov na databáze a videu, čomu nasleduje zhrnutie a možnosti rozšírenia do budúcnosti.
|
|
|
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.
|
|
|
Detekce graffiti tagů v obraze
Molisch, Marek ; Herout, Adam (oponent) ; Špaňhel, Jakub (vedoucí práce)
Cílem této práce je porovnat současné architektury modelů, zodpovědné za detekci objektů a použít je pro úlohu detekce graffiti tagů. Pro tyto účely byly v řešení vybrány state-of-the-art modely, které jsou podporovány frameworkem Tensorflow. Architektura Faster R-CNN byla nejpřesnější a architektura SSD nejrychlejší. Také byly provedeny experimenty s graffiti tagy z Athén na datasetu STORM, kde se zjistilo, že ke graffiti tagům je žádoucí přistupovat jako k objektům a ne jako k písmu.
|
host ::
RSS.