Detektor ohně ve videu
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato diplomová práce se zabývá detekcí ohně ve videu pomocí farební analýzy a strojového učení, konkrétně hlubokých konvolučních neurónových sítí, použitím nástroje Caffe. Cílem je vytvoření velké sady dat, která může sloužit jako základní prvek detekce založené na strojovém učení a vytvoření detektoru použitelného v reálné aplikaci. Pro účely projektu byla navrhnuta a vytvořena sada nástrojů pro tvorbu sekvencí s ohněm, jejich segmentaci a automatickou anotaci spolu s velkou trénovací sadou krátkých sekvencí umělo vymodelovaného ohně.
{This thesis deals with fire detection in video by colour analysis and machine learning, specifically deep convolutional neural networks, using Caffe framework. The aim is to create a vast set of data that could be used as the base element of machine learning detection and create a detector usable in real application. For the purposes of the project a set of tools for fire sequences creation, their segmentation and automatic labeling is proposed and created together with a large test set of short sequences with artificial modelled fire.
{This thesis deals with fire detection in video by colour analysis and machine learning, specifically deep convolutional neural networks, using Caffe framework. The aim is to create a vast set of data that could be used as the base element of machine learning detection and create a detector usable in real application. For the purposes of the project a set of tools for fire sequences creation, their segmentation and automatic labeling is proposed and created together with a large test set of short sequences with artificial modelled fire.
Description
Keywords
Detekce ohně, zpracování obrazu, video sekvence, strojové učení hlbokými konvolučními neuronovými sítěmi, počítačové vidění, Caffe, modelování ohně, kompozice scény s ohněm, Fire detection, image processing, video sequence, machine learning by deep convolutional neural networks, computer vision, Caffe, fire modelling, fire scene compositing
Citation
POLEDNÍK, T. Detektor ohně ve videu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2015.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Inteligentní systémy
Comittee
doc. Ing. František Zbořil, CSc. (předseda)
prof. Ing. Miroslav Švéda, CSc. (místopředseda)
Ing. Michal Bidlo, Ph.D. (člen)
prof. RNDr. Milan Češka, CSc. (člen)
Prof. RNDr. Mária Lucká, Ph.D. (člen)
Mgr. Ing. Pavel Očenášek, Ph.D. (člen)
Date of acceptance
2015-06-24
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 B. Otázky u obhajoby: Jakou pspěšnost detekce a false alarm rate by musel mít detektor ohně pro reálné požití například v dohledovém systému? Proč porovnáváte detektory v různých operačních bodech? Je možné porovnávat "kvalitu" detektorů takovým postupem? Můžete pro vaše detektory nastavit požadovaný operační bod (například určitou false alarm rate)? Proč pro detekci ohně musí mít alespoň jedna oblast odezvu detektoru právě 0.6? Máte představu, jak se liší úspěšnost vašich detektorů trénovaných na umělých datech oproti obdobným detektorům natrénovaným na fotografiích a videích, které lze poměrně jednoduše získat pomocí standardních vyhledávačů? Jsou dvě scény a omezený počet simulací dostatečné pro trénování detektoru s ohledem na možnou variabilitu scén a osvětlení? Uvedené doby trénování CNN jsou pro GTX 980 neúměrně vysoké. Čím je to způsobeno? Proč jste využíval jen jednu CNN architekturu, která je navíc poměrně velká a náročná na trénování?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení