Show simple item record

Multiview Object Detection

dc.contributor.advisorJuránek, Romancs
dc.contributor.authorLohniský, Michalcs
dc.date.accessioned2018-10-21T20:55:36Z
dc.date.available2018-10-21T20:55:36Z
dc.date.created2014cs
dc.identifier.citationLOHNISKÝ, M. Všesměrová detekce objektů [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2014.cs
dc.identifier.other79791cs
dc.identifier.urihttp://hdl.handle.net/11012/53336
dc.description.abstractTato práce se zabývá modifikací extrakce příznaků a učícího procesu detektorů pro všesměrovou detekci objektů. Jde o přidání nových kanálů u detektorů založených na "Aggregate channel features". Nové kanály jsou tvořeny filtrováním obrazu jádry z autoenkodérů a následným použitím nelineární funkce sigmoidy. Experimenty ukazují, že nové kanály jsou úspěšné, avšak výpočetně náročnější než ostatní. Jsou zde proto diskutovány možnosti, jak výpočet urychlit. Dále je v této práci vyhodnocen uměle vytvořený dataset automobilů a je zde diskutován jeho malý přínos při jeho aplikaci na několik detektorů.cs
dc.description.abstractThis thesis focuses on modification of feature extraction and multiview object detection learning process. We add new channels to detectors based on the "Aggregate channel features" framework. These new channels are created by filtering the picture by kernels from autoencoders followed by nonlinear function processing. Experiments show that these channels are effective in detection but they are also more computationally expensive. The thesis therefore discusses possibilities for improvements. Finally the thesis evaluates an artificial car dataset and discusses its small benefit on several detectors.en
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta informačních technologiícs
dc.rightsStandardní licenční smlouva - přístup k plnému textu bez omezenícs
dc.subjectVšesměrová detekce objektůcs
dc.subjectAggregate channel featurescs
dc.subjectFast feature pyramidscs
dc.subjectautoenkodércs
dc.subjectuměle vytvořený dataset.cs
dc.subjectMultiview object detectionen
dc.subjectAggregate channel featuresen
dc.subjectFast feature pyramidsen
dc.subjectautoencoderen
dc.subjectartificial dataset.en
dc.titleVšesměrová detekce objektůcs
dc.title.alternativeMultiview Object Detectionen
dc.typeTextcs
dcterms.dateAccepted2014-06-23cs
dcterms.modified2020-05-10-16:11:37cs
thesis.disciplinePočítačová grafika a multimédiacs
thesis.grantorVysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédiícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
sync.item.dbid79791en
sync.item.dbtypeZPen
sync.item.insts2021.11.10 13:08:02en
sync.item.modts2021.11.10 12:52:17en
eprints.affiliatedInstitution.facultyFakulta informačních technologiícs
dc.contributor.refereeBeran, Vítězslavcs
dc.description.markBcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
but.committeeprof. Dr. Ing. Pavel Zemčík (předseda) prof. RNDr. Alexandr Meduna, CSc. (místopředseda) doc. Dr. Ing. Otto Fučík (člen) prof. Ing. Adam Herout, Ph.D. (člen) Mgr. Ing. Pavel Očenášek, Ph.D. (člen) doc. Ing. Petr Sedlák, Ph.D. (člen)cs
but.defenceStudent 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: Jaká je výpočetní náročnost jednotlivých částí řešení? Jaký je odhad rychlosti při optimální implementaci? Jaká část metody je její největší slabinou? Jaké jsou možnosti řešení tohoto problému?cs
but.resultpráce byla úspěšně obhájenacs
but.programInformační technologiecs
but.jazykčeština (Czech)


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record