but.committee	prof. Dr. Ing. Pavel Zemčík, dr. h. c. (předseda) doc. Ing. Lukáš Burget, Ph.D. (místopředseda) doc. Mgr. Lukáš Holík, Ph.D. (člen) Ing. Tomáš Martínek, Ph.D. (člen) doc. Ing. Petr Matoušek, Ph.D., M.A. (člen)	cs
but.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 A. Otázky u obhajoby: Aké výsledky by dokázal obdobný klasifikátor dosiahnúť bez využitia predtrénovania pomocou kontrastívneho učenia priamo na výstupoch siete pre detekciu kľúčových bodov trénovaný len na anotovaných sadách s augmentáciou? V dátovej sade sa vyskytuje zdanlivo iba jedna osoba. Aký to podľa Vás môže mať vplyv na výsledky experimentov? Malo by podľa Vás trénovanie vlastného CNN príznakového extraktora, ktorý ma na vstupe priamo obrázok pri tejto úlohe zmysel?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	cs
dc.contributor.author	Olekšák, Samuel	cs
dc.contributor.referee	Kocur, Viktor	cs
dc.date.accessioned	2022-06-21T07:56:08Z
dc.date.available	2022-06-21T07:56:08Z
dc.date.created	2022	cs
dc.description.abstract	Táto práca demonštruje spôsob, ako minimalizovať množstvo potrebných označených trénovacích dát pri klasifikácií športových pozícií s použitím neurónovej siete trénovanej metódou contrastive self-supervised learning. Trénovanie prebieha v dvoch etapách. V prvej sa trénuje extraktor príznakov, ktorý využíva neoznačené trénovacie obrázky extrahované z nahrávok cvičení z viacerých uhlov. V druhej etape sa s využitím malého množstva označených dát trénuje jednoduchý klasifikátor napojený na extraktor príznakov. Práca pojednáva o klasifikácií v kontexte jogových póz, avšak výsledné riešenie sa dá jednoducho aplikovať aj na iné športy v prípade získania vhodnej dátovej sady. Pri návrhu riešenia je kladený dôraz na výkon výsledného modelu, aby mohol byť použiteľný v mobilných zariadeniach. Výsledný model na dátovej sade so štyrmi označenými obrázkami na každú jogovú pózu dosiahol s využitím augmentácií vstupných dát úspešnosť 76 %. Na väčšej dátovej sade s 800 označenými obrázkami na všetky pozície je úspešnosť 82 %.	cs
dc.description.abstract	This thesis demonstrates a solution for minimizing the amount of necessary labelled training data in the classification of sports poses using a neural network trained with contrastive self-supervised learning. Training consists of two stages. The first stage trains a feature extractor which uses unlabelled training images extracted from recordings of exercises from multiple viewpoints. In the second stage, using a small amount of labelled data, a simple classifier connected to the feature extractor is trained. The thesis discusses classification in the context of yoga poses, however, the final solution can be easily applied to any other sport in case of obtaining a suitable dataset. During the development of the solution, emphasis is placed on the performance of the resulting model so that it can be used on mobile devices. The resulting model reached an accuracy of 76 % using augmentations with a data set containing four labelled images per yoga pose. On a larger data set with 800 labelled images for all poses, an accuracy of 82 % is reached.	en
dc.description.mark	A	cs
dc.identifier.citation	OLEKŠÁK, S. Použití self-supervised learning pro rozpoznání sportovních pozic v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	145137	cs
dc.identifier.uri	http://hdl.handle.net/11012/207274
dc.language.iso	cs	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	rozpoznávanie obrazu	cs
dc.subject	odhad pózy	cs
dc.subject	kontrastívne učenie	cs
dc.subject	self-supervised learning	cs
dc.subject	image recognition	en
dc.subject	pose estimation	en
dc.subject	contrastive learning	en
dc.subject	self-supervised learning	en
dc.title	Použití self-supervised learning pro rozpoznání sportovních pozic v obraze	cs
dc.title.alternative	Self-Supervised Learning for Recognition of Sports Poses in Image	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2022-06-14	cs
dcterms.modified	2022-06-20-10:23:17	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	145137	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.21 09:56:08	en
sync.item.modts	2022.06.21 08:14:55	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Použití self-supervised learning pro rozpoznání sportovních pozic v obraze

Files

Original bundle

Collections