|
|
Lokalizace intrakraniálních hemoragií v axiálních řezech CT snímků hlavy.
Kopečný, Kryštof ; Chmelík, Jiří (oponent) ; Nemček, Jakub (vedoucí práce)
Tématem této práce je lokalizace intrakraniálních krvácení na snímcích počítačové tomografie pomocí jednofázového a dvoufázového detektoru založených na konvolučních neuronových sítích. Práce mimo základní poznatky z umělé inteligence klíčové pro pochopení procesu detekce objektů podává medicínské informace o patologii a zobrazování krvácení. Znalosti ze zmíněných okruhů se využijí pro vlastní návrh algoritmu pracujícím s veřejně dostupnými databázemi CT snímků hlavy a jejich anotací CQ500 a BHX. Součástí práce je vyhodnocení výsledků a jejich diskuse.
|
|
|
Tracking People in Video Captured from a Drone
Lukáč, Jakub ; Orság, Filip (oponent) ; Goldmann, Tomáš (vedoucí práce)
This thesis deals with the problem of determining the location of a person through their distance from camera approximation. The location is derived from video which is captured using a drone. The goal here is to propose and test existing solutions, and state-of-the-art algorithms for each encountered subproblem of the tracking. This means overcoming challenges such as object detection, re-identification of persons in time, estimating object distance from the camera and processing data from various sensors. Then, I am using these methods to design the final solution which can operate in nearly real-time. Implementation is based on the use of Intel NCS accelerator unit with the cooperation of small computer Raspberry Pi. Therefore, the setup may be easily mounted directly to a drone. The resulting application can generate tracking metadata for detected individuals in the recording. Afterwards, the positions are visualised as paths for better end-user presentation.
|
|
|
Detekce kvádrů-krabic v obraze
Soroka, Matej ; Bartl, Vojtěch (oponent) ; Herout, Adam (vedoucí práce)
Cieľom tejto práce je experimentovať a vyhodnotis rôznymi prístupmi počítačového videnia s cieľom automatickej detekcie krabíc-kvádrov v obraze, za týmto cieľom boli v riešení použité prístupy založené na neurónových sieťach. V práci boli prevedené experimenty s klasifikáciou pomocou vlastnej dátovej sady, klasifikáciou s využitím vlastnej konvolučnej neurónovej siete, detekciou pomocou pouvného okna, detektora YOLO a v poslednej časti návrh vylepšenia s použitím sietí U-net a MirrorNet.
|
|
| |
|
|
Vizuální detekce malých předmětů pomocí dostupných nástrojů v prostředí MATLAB
Sladký, Jiří ; Dobossy, Barnabás (oponent) ; Appel, Martin (vedoucí práce)
Tato práce zkoumá možnosti detekce malých objektů na obrázcích pomocí metody YOLO, algoritmu hlubokého učení dostupného v programu MATLAB. V práci byl navržen a natréno-ván detektor, jež dokáže detekovat hospodářská zvířata při pohledu shora. Vytvořen byl nástroj, který provede detekce s pomocí představeného modelu i na obrázcích o vysokém rozlišení a následně spočítá přítomné objekty. Naprogramován byl generátor syntetických obrázků, který výrazně pomohl s natrénováním tohoto modelu. Byly realizovány různé experimenty, jež vedly k nalezení hranic metody YOLO a ověřily přínos představených vylepšení.
|
|
| |
|
|
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.
|
|
|
System for People Detection and Localization Using Thermal Imaging Cameras
Charvát, Michal ; Kempter, Guido (oponent) ; Drahanský, Martin (vedoucí práce)
In today's world, there is an increasing need for automatic reliable mechanisms for detecting and localizing people -- from performing people flow analysis in museums, controlling smart homes to guarding hazardous areas like railway platforms. We propose a method for detecting and locating people using low-cost FLIR Lepton 3.5 thermal cameras and a~Raspberry Pi 3B+ computers. This thesis describes the continuation of the "Detection of People in Room Using Low-Cost Thermal Imaging Camera" project, which now supports modelling of complex scenes with polygonal boundaries and multiple thermal cameras observing them. In this paper, we introduce an improved control and capture library for the Lepton 3.5, a new person detection technique that uses the state-of-the-art YOLO (You Only Look Once) real-time object detector based on deep neural networks, furthermore, a new thermal unit with automated configuration using Ansible encapsulated in a custom 3D printed enclosure for safe manipulation, and last but not least, a step by step instruction manual on how to deploy the detection system in a new environment including other supporting tools and improvements. The results of the new system are demonstrated on a~simple people flow analysis performed in the Czech National Museum in Prague.
|
|
|
Detekce dopravních značek a semaforů
Oškera, Jan ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
Tato práce se zabývá moderními metodami umožňující detekci dopravních značek a semaforů přímo v provozu i zpětnou analýzou. Hlavním předmětem jsou konvoluční neuronové sítě (CNN). V řešení jsou použity konvoluční neuronové sítě typu YOLO. Hlavním cílem této práce je dosažení co největší optimalizace rychlosti a přesnosti modelů. Zkoumá vhodné datové sady. K trénování a experimentování je použita celá řada datových sad. Ty jsou složeny z reálných a syntetických datových sad. Pro trénování a testování byla data předzpracována pomocí nástroje Yolo mark. Trénování modelu bylo uskutečněno na výpočetním středisku náležící virtuální organizaci MetaCentrum VO. Z důvodu vyčíslitelného vyhodnocení kvality detektoru byl vytvořen program statisticky i graficky zobrazující jeho úspěšnost pomocí hodnotícího protokolu COCO a ROC křivky. V práci jsem vytvořil model, který dosahoval průměrné počáteční přesnosti až 81 %. Práce zobrazuje nejlepší volbu hranice jistoty napříč verzemi, velikostmi i IoU. Je vytvořeno i rozšíření pro telefony v TensorFlow Lite a Flutter.
|
|
| |
host ::
RSS.