• čeština
    • English
    • русский
    • Deutsch
    • français
    • polski
    • українська
  • English 
    • čeština
    • English
    • русский
    • Deutsch
    • français
    • polski
    • українська
  • Login
View Item 
  •   Repository Home
  • Závěrečné práce
  • bakalářské práce
  • Fakulta informačních technologií
  • 2019
  • View Item
  •   Repository Home
  • Závěrečné práce
  • bakalářské práce
  • Fakulta informačních technologií
  • 2019
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Detekce objektů pomocí hlubokých neuronových sítí

Deep Learning for Object Detection

Thumbnail
View/Open
review_122205.html (1.449Kb)
final-thesis.pdf (9.232Mb)
Posudek-Vedouci prace-22076_v.pdf (85.64Kb)
Posudek-Oponent prace-22076_o.pdf (88.88Kb)
Author
Paníček, Andrej
Advisor
Teuer, Lukáš
Referee
Herout, Adam
Grade
D
Altmetrics
Metadata
Show full item record
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 %.
 
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
Language
čeština (Czech)
Study brunch
Informační technologie
Composition of Committee
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 defence
2019-06-12
Process of 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 the defence
práce byla úspěšně obhájena
Persistent identifier
http://hdl.handle.net/11012/180283
Source
PANÍČEK, A. Detekce objektů pomocí hlubokých neuronových sítí [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.
Collections
  • 2019 [312]
Citace PRO

Portal of libraries | Central library on Facebook
DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback | Theme by @mire NV
 

 

Browse

All of repositoryCommunities & CollectionsBy Issue DateAuthorsTitlesSubjectsThis CollectionBy Issue DateAuthorsTitlesSubjects

My Account

LoginRegister

Statistics

View Usage Statistics

Portal of libraries | Central library on Facebook
DSpace software copyright © 2002-2015  DuraSpace
Contact Us | Send Feedback | Theme by @mire NV