|
|
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.
|
|
|
Model hlubokého učení vhodný pro vizuální detekci a klasifikaci obecného objektu z průmyslu
Dočkal, Radim ; Honec, Peter (oponent) ; Kratochvíla, Lukáš (vedoucí práce)
Cílem této bakalářské práce je naprogramovat model hlubokého učení pro vizuální detekci a klasifikaci obecného objektu z průmyslu. Práce je rozdělena do pěti kapitol. První kapitola se zabývá rešerší nejpoužívanějších architektur tohoto typu. Druhá kapitola se zabývá výběrem nejvhodnější architektury pro použití v průmyslu. Ve třetí kapitole je popsán postup vytváření vlastního datasetu. Ve čtvrté kapitole je pak popsán celý proces samotné implementace modelu tak, aby každá dílčí část architektury byla dostatečně vysvětlena a v páté kapitole jsou popsány výsledky. Shrnutí výsledků a doporučené procedury pro případnou implementaci v reálném prostředí jsou k nalezení v závěru této práce.
|
|
|
Traffic Analysis Using Machine Learning Approach.
Zelený, O. ; Frýza, T.
This paper provides insight to the YOLOv5 deep learning architecture and its use for vehicle detection and classification in order to improve traffic management in larger cities and busy roads. The paper presents simple system with one fixed camera and Jetson Nano, a computer for embedded and AI application, to detect and classify vehicles.
|
|
|
Model hlubokého učení vhodný pro vizuální detekci a klasifikaci obecného objektu z průmyslu
Dočkal, Radim ; Honec, Peter (oponent) ; Kratochvíla, Lukáš (vedoucí práce)
Cílem této bakalářské práce je naprogramovat model hlubokého učení pro vizuální detekci a klasifikaci obecného objektu z průmyslu. Práce je rozdělena do pěti kapitol. První kapitola se zabývá rešerší nejpoužívanějších architektur tohoto typu. Druhá kapitola se zabývá výběrem nejvhodnější architektury pro použití v průmyslu. Ve třetí kapitole je popsán postup vytváření vlastního datasetu. Ve čtvrté kapitole je pak popsán celý proces samotné implementace modelu tak, aby každá dílčí část architektury byla dostatečně vysvětlena a v páté kapitole jsou popsány výsledky. Shrnutí výsledků a doporučené procedury pro případnou implementaci v reálném prostředí jsou k nalezení v závěru této práce.
|
|
|
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.
|
host ::
RSS.