|
|
3D Reconstruction of Historic Landmarks from Flickr Pictures
Šimetka, Vojtěch ; Maršík, Lukáš (oponent) ; Polok, Lukáš (vedoucí práce)
This thesis describes challenges in design and development of an application which reconstructs 3D model given set of 2D images. This technique is called bundle adjustment. The thesi discusses the 3D reconstruction pipeline and elaborates on each step. The first step covers dataset acquisition from the internet. The scripts used to download such data from Flickr and Google Images are described and image characteristics necessary for a good reconstruction are identified. Hereafter the paper compares different feature detectors, extractors and matchers to find best suited combination for reconstruction of historic landmarks. This is followed by description the reconstruction and optimization steps and their implementation. At the end of the thesis the implemented solution is examined on several datasets and compared with other existing solutions presented at the very beginning of the thesis.
|
|
|
Counting Crates in Images
Mičulek, Petr ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This thesis deals with the topic of using deep learning to count crates in images. I have designed a crate-counting solution for blocks of matchboxes, using a fully convolutional classification-based network with a high resolution output. The original project proposition counted on using a dataset of photos of crates from a beer brewery warehouse. I did not get access to the dataset in the end. On the recommendation of my supervisor, I based the crate-counting solution on a custom dataset of matchbox photos. The CNN is trained using image patches, leading to a fast solution working even on smaller datasets. Matchbox keypoints are detected by the CNN in the input images and they are processed by a keypoint estimation and crate-counting algorithm to produce the final crate count. On validation data, the solution has a 12.5% failure rate and a MAE of 11.14. Thorough experimentation was performed to evaluate the solution and the results verify that this approach can be used for object counting.
|
|
|
Detekce automobilů v obraze
Špaňhel, Jakub ; Juránek, Roman (oponent) ; Herout, Adam (vedoucí práce)
Tato práce si klade za cíl implementovat metodu detekce a sledování automobilu založenou na modelu pohybu, vhodnou pro zpracování v reálném čase. Je zde uveden rozbor běžně užívaných metod detekce a představen princip této metody, který se skládá z detekce nízkoúrovňových klíčových bodů, časoprostorového profilování snímků i klíčových bodů a~klasifikací získaných stop pomocí HMM. Následně byly s metodou prováděny experimenty sloužící k nalezení oblastí potenciálního zlepšení metody.
|
|
|
Tvorba panoramatických fotografií
Dospiva, Filip ; Sochor, Jakub (oponent) ; Behúň, Kamil (vedoucí práce)
Tato práce obsahuje srovnání přístupů pro implementaci tvorby panoramatických fotografií. Jsou zde rozebrány dílčí kroky tvorby panoramat a metody přístupu, které jsou pro tyto kroky používané. Je zde vytvořen náhled nad jednotlivými metodami a sepisuje jejich výhody a nevýhody. Součástí je také srovnání těchto metod a zhodnocení jejich použitelnosti.
|
|
|
Counting Crates in Images
Mičulek, Petr ; Špaňhel, Jakub (oponent) ; Herout, Adam (vedoucí práce)
This thesis deals with the topic of using deep learning to count crates in images. I have designed a crate-counting solution for blocks of matchboxes, using a fully convolutional classification-based network with a high resolution output. The original project proposition counted on using a dataset of photos of crates from a beer brewery warehouse. I did not get access to the dataset in the end. On the recommendation of my supervisor, I based the crate-counting solution on a custom dataset of matchbox photos. The CNN is trained using image patches, leading to a fast solution working even on smaller datasets. Matchbox keypoints are detected by the CNN in the input images and they are processed by a keypoint estimation and crate-counting algorithm to produce the final crate count. On validation data, the solution has a 12.5% failure rate and a MAE of 11.14. Thorough experimentation was performed to evaluate the solution and the results verify that this approach can be used for object counting.
|
|
|
Detekce automobilů v obraze
Špaňhel, Jakub ; Juránek, Roman (oponent) ; Herout, Adam (vedoucí práce)
Tato práce si klade za cíl implementovat metodu detekce a sledování automobilu založenou na modelu pohybu, vhodnou pro zpracování v reálném čase. Je zde uveden rozbor běžně užívaných metod detekce a představen princip této metody, který se skládá z detekce nízkoúrovňových klíčových bodů, časoprostorového profilování snímků i klíčových bodů a~klasifikací získaných stop pomocí HMM. Následně byly s metodou prováděny experimenty sloužící k nalezení oblastí potenciálního zlepšení metody.
|
|
|
Tvorba panoramatických fotografií
Dospiva, Filip ; Sochor, Jakub (oponent) ; Behúň, Kamil (vedoucí práce)
Tato práce obsahuje srovnání přístupů pro implementaci tvorby panoramatických fotografií. Jsou zde rozebrány dílčí kroky tvorby panoramat a metody přístupu, které jsou pro tyto kroky používané. Je zde vytvořen náhled nad jednotlivými metodami a sepisuje jejich výhody a nevýhody. Součástí je také srovnání těchto metod a zhodnocení jejich použitelnosti.
|
|
|
3D Reconstruction of Historic Landmarks from Flickr Pictures
Šimetka, Vojtěch ; Maršík, Lukáš (oponent) ; Polok, Lukáš (vedoucí práce)
This thesis describes challenges in design and development of an application which reconstructs 3D model given set of 2D images. This technique is called bundle adjustment. The thesi discusses the 3D reconstruction pipeline and elaborates on each step. The first step covers dataset acquisition from the internet. The scripts used to download such data from Flickr and Google Images are described and image characteristics necessary for a good reconstruction are identified. Hereafter the paper compares different feature detectors, extractors and matchers to find best suited combination for reconstruction of historic landmarks. This is followed by description the reconstruction and optimization steps and their implementation. At the end of the thesis the implemented solution is examined on several datasets and compared with other existing solutions presented at the very beginning of the thesis.
|
host ::
RSS.