Detekce objektů pomocí hlubokých neuronových sítí
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
D
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Táto práca sa zaoberá detekciou objektov pomocou hlbokých neurónových sietí. V rámci riešenia som upravil, implementoval a natrénoval dobre známy model kaskádových neuró- nových sietí MTCNN tak aby dokázal vykonávať detekciu dopravných značiek. Trénovacie dáta boli vygenerované z dátových sád GTSRB a GTSDB. MTCNN ukázal solídny výkon na vyhodnocovacích dátach z dátovej sady GTSDB, kde dosiahol presnosť detekcie 97.8 %.
This work deals with the object detection using deep neural networks. As part of the solution, I modified, implemented and trained the well-known model of cascade neural networks MTCNN so that it could perform the detection of traffic signs. The training data was generated from GTSRB and GTSDB data sets. MTCNN showed solid performance on the evaluation data, where the detection accuracy reached 97.8 %.
This work deals with the object detection using deep neural networks. As part of the solution, I modified, implemented and trained the well-known model of cascade neural networks MTCNN so that it could perform the detection of traffic signs. The training data was generated from GTSRB and GTSDB data sets. MTCNN showed solid performance on the evaluation data, where the detection accuracy reached 97.8 %.
Description
Keywords
neurón, hlboké neurónové siete, konvolučné neurónové siete, strojové učenie, umelá inteli-gencia, detekcia, MTCNN, detekcia značiek, GTSBD, GTSRB, neuron, deep neural network, convolutional neural network, machine learning, artificialintelligence, detection, MTCNN, traffic sign detection, GTSBD, GTSRB
Citation
PANÍČEK, A. Detekce objektů pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
doc. Ing. Martin Čadík, Ph.D. (předseda)
doc. Ing. Jiří Jaroš, Ph.D. (místopředseda)
Ing. Vladimír Bartík, Ph.D. (člen)
Ing. David Bařina, Ph.D. (člen)
Ing. Radek Kočí, Ph.D. (člen)
Date of acceptance
2019-06-12
Defence
Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm " D ". Otázky u obhajoby: Ukažte u obhajoby nějaké solidnější vyhodnocení vlastností vytvořené neuronové sítě. Kde vidíte prostor pro vylepšení dosažených výsledků?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení