|
|
Detekce obličeje
Štrba, Miroslav ; Juránek, Roman (oponent) ; Hradiš, Michal (vedoucí práce)
Táto bakalárska práca obsahuje prehľad súčasných metód detekcie tvárí pomocou klasifikátorov. Obsahuje tiež popis tvorby systému na detekovanie tvárí. V prvej časti sú popísané rôzne metódy na trénovanie klasifikátorov. V druhej sa nachádza analýza, ktorá predchádzala tvorbe systému zameraného na čiernobiele snímky. Implementovaný systém využíva algoritmus WaldBoost a Haarove príznaky. Vo videosekvenciach je možné využiť časticový filter.
|
|
|
Posouzení korespondence zájmových bodů v obraze
Křehlík, Jan ; Beran, Vítězslav (oponent) ; Herout, Adam (vedoucí práce)
Tento dokument se zabývá experimentálním ověřením možnosti použití trénovacích algoritmů AdaBoost a WaldBoost pro vytvoření klasifikační funkce, která by dokázala ve druhém snímku nalézt bod, který koresponduje s bodem v prvním snímku v sekvenci snímků. Práce také popisuje nalezení význačných bodů v obraze, jejichž detekce patří k prvním z kroků hledání korespondence. Dále je popsáno vytvoření deskriptorů nalezených bodů zájmu. Takovéto nalezené korespondující body ve dvojici snímků mohou například sloužit jako předstupeň pro vytvoření 3D modelu nasnímané scény.
|
|
|
Detekce objektů v obraze
Kubínek, Jiří ; Beran, Vítězslav (oponent) ; Hradiš, Michal (vedoucí práce)
Práce je věnovaná metodám detekce objektů v obraze. Seznamuje čtenáře se základními přístupy a algoritmy užívanými v této problematice, zejména pak s algoritmem AdaBoost, jeho rozšířením WaldBoost a s některými příznaky užívanými pro detekci objektů. Významnou část práce tvoří rozšíření datových sad pro trénování klasifikátoru a implementace histogramu gradientů pro rozšíření stávajícího systému pro detekci objektů. Nedílnou součástí práce je zhodnocení dosažených výsledků v podobě provedených experimentů.
|
|
|
Vyhodnocení úspěšnosti detekce objektů v obraze
Černošek, Bedřich ; Behúň, Kamil (oponent) ; Zemčík, Pavel (vedoucí práce)
Cílem této bakalářské práce bylo navrhnout způsob vyhodnocení úspěšnosti detekce objektů v obraze. Výsledkem této práce bylo vytvořit program, který na vhodném příkladu provede vyhodnocení úspěšnosti detekce objektů a intuitivně zobrazí výsledek uživateli. Úkolem bylo navrhnout vhodné experimenty a datový set pro ověření správnosti vyhodnocení. Součástí práce bylo nalézt optimální parametry detektoru pro detekci obličejů a optimální předzpracování fotografie před detekcí obličejů.
|
|
|
Využití grafického procesoru jako akcelerátoru - technologie OpenCL
Hrubý, Michal ; Jošth, Radovan (oponent) ; Zemčík, Pavel (vedoucí práce)
Tato práce se zabývá technologií OpenCL a jejím využitím pro detekci objektů. První část je zaměřená na popis principů technologie OpenCL a základní teorii o detekci objektů. Následuje kapitola analýzy, kde je navržená metoda zpracování s přihlédnutím na možnosti OpenCL. Další část popisuje samotnou implementaci detekční aplikace a experimentálně vyhodnocuje výkon detektoru. Poslední kapitola shrnuje dosažené výsledky.
|
|
|
Hardware acceleration of object detection in images
Musil, Petr ; Chalmers, Alan (oponent) ; Kadlec, Jiří (oponent) ; Zemčík, Pavel (vedoucí práce)
Nowadays, an increasing number of cameras and surveillance systems can be observed. The amount of information that these devices produce is enormous, and it is not in human power to process it all, therefore using computing power is needed. Modern computer vision algorithms, especially object detection, already achieve excellent results. One of the disadvantages of current vision algorithms is high computational complexity. Therefore, it is desired to implement these algorithms into a suitable device with better performance to power ratio. FPGA represents a reliable option due to its parallel and power-efficient computing. This dissertation aims to propose methods for optimising the object detector in an image running on an FPGA. These detectors use boosted soft cascades of classifiers with local image feature like weak classifiers. The proposed detectors use sequential evaluation of weak classifiers. More positions in the image are evaluated in parallel to increase the detection performance. Also, a new approach for multiscale object detection is proposed; its advantage is no need for external memory. The new detectors were experimentally verified on the tasks of detecting faces and license plates. The results outperform the current state-of-the-art, allow to create object detectors with higher detection performance, better power to resources ratio and better detection accuracy.
|
|
|
Rozpoznávání vzorů v obraze pomocí AdaBoost
Wrhel, Vladimír ; Hradiš, Michal (oponent) ; Herout, Adam (vedoucí práce)
V této práci se zaobírá algoritmem AdaBoost, který slouží k vytvoření silné klasifikační funkce pomocí několika slabých klasifikátorů. Seznámíme se taktéž s modifikacemi AdaBoostu, a to Real AdaBoostem, WaldBoostem, FloatBoostem a TCAcu. Tyto modifikace zlepšují některé z vlastností algoritmu AdaBoost. Probereme některé vlastnosti příznaků a slabých klasifikátorů. Ukážeme si třídu úloh, pro které je algoritmus AdaBoost použitelný. Popíšeme implementaci knihovny obsahující zmíněné metody a uvedeme některé testy provedené na implementované knihovně.
|
|
|
AdaBoost v počítačovém vidění
Hradiš, Michal ; Zemčík, Pavel (oponent) ; Potúček, Igor (vedoucí práce)
V této diplomové práci jsou představeny nové obrazové příznaky "local rank differences" (LRD). Tyto příznaky jsou invariantní vůči změnám osvětlení a jsou vhodné k implementaci detektorů objektů v programovatelném hardwaru, jako je například FPGA. Chování klasifikátorů s LRD vytvořených pomocí algoritmu AdaBoost bylo otestováno na datové sadě pro detekci obličejů. LRD v těchto testech dosáhly výsledků srovnatelných s výsledky klasifikátorů s Haarovými příznaky, které jsou používány v nejlepších současných detektorech objektů pracujících v reálném čase. Tyto výsledky ve spojení s faktem, že LRD je možné v FPGA vyhodnocovat několikanásobně rychleji než Haarovy příznaky, naznačují, že by LRD příznaky mohly být řešením pro budoucí detekci objektů v hardwaru. V této práci také prezentujeme nástroj pro experimenty s algoritmy strojového učení typu boosting, který je speciálně uzpůsoben oblasti počítačového vidění, je velmi flexibilní, a přitom poskytuje vysokou efektivitu učení a možnost budoucí paralelizace výpočtů. Tento nástroj je dostupný jako open source software a my doufáme, že ostatním ulehčí vývoj nových algoritmů a příznaků.
|
|
|
Detekce objektů na GPU
Macenauer, Pavel ; Polok, Lukáš (oponent) ; Juránek, Roman (vedoucí práce)
Tato práce se zabývá detekcí objektů pomocí grafických procesorů . Jako její součást byl navržen a naimplementován nástroj pro detekci objektů na technologii NVIDIA CUDA , umožňující detekovat objekty ve videu v reálném čase nebo zpracovávat velké množství fotografií . Jejím cílem je prozkoumat aktuální možnosti technologie NVIDIA CUDA vzhledem k detekci objektů a navrhnout , jak by se daly akcelerovat .
|
|
|
Acceleration of Object Detection Using Classifiers
Juránek, Roman ; Kälviäinen, Heikki (oponent) ; Sojka, Eduard (oponent) ; Zemčík, Pavel (vedoucí práce)
Detection of objects in computer vision is a complex task. One of most popular and well explored approaches is the use of statistical classifiers and scanning windows. In this approach, classifiers learned by AdaBoost algorithm (or some modification) are often used as they achieve low error rates, high detection rates and they are suitable for detection in real-time applications. Object detection run-time which uses such classifiers can be implemented by various methods and properties of underlying architecture can be used for speed-up of the detection. For the purpose of acceleration, graphics hardware, multi-core architectures, SIMD or other means can be used. The detection is often implemented on programmable hardware. The contribution of this thesis is to introduce an optimization technique which enhances object detection performance with respect to an user defined cost function. The optimization balances computations of previously learned classifiers between two or more run-time implementations in order to minimize the cost function. The optimization method is verified on a basic example -- division of a classifier to a pre-processing unit implemented in FPGA, and a post-processing unit in standard PC.
|
host ::
RSS.