Hluboké neuronové sítě pro klasifikaci objektů v obraze

Loading...
Thumbnail Image
Date
ORCID
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Tato práce se zabývá klasifikací objektů v obraze s použitím hlubokých neuronových sítí. Jako algoritmus pro klasifikaci byla zvolena segmentace celé scény pracující na video sekvencích a využívající informace mezi dvěma snímkami videa. Pro tuto úlohu bylo použito extrahování informací pomocí optického toku, na základě kterého byly dále warpovány aktivační mapy vrstev neuronových sítí. Dvě architektury neuronových sítí byly upraveny pro práci s videem, na kterých byly následně provedeny experimenty. Výsledky experimentů ukazují, že použití videa umožňuje zlepšit přesnost (IoU) vůči stejné architektuře pracující s obrázky.
This paper deals with classifying objects using deep neural networks. Whole scene segmentation was used as main algorithm for the classification purpose which works with video sequences and obtains information between two video frames. Optical flow was used for getting information from the video frames, based on which features maps of a~neural network are warped. Two neural network architectures were adjusted to work with videos and experimented with. Results of the experiments show, that using videos for image segmentation improves accuracy (IoU) compared to the same architecture working with images.
Description
Citation
MLYNARIČ, T. Hluboké neuronové sítě pro klasifikaci objektů v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2018.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Počítačová grafika a multimédia
Comittee
doc. RNDr. Pavel Smrž, Ph.D. (předseda) prof. Dr. Ing. Pavel Zemčík (místopředseda) Ing. Michal Hradiš, Ph.D. (člen) doc. Mgr. Adam Rogalewicz, Ph.D. (člen) prof. Ing. Jiří Sochor, CSc. (člen) Ing. Michal Španěl, Ph.D. (člen)
Date of acceptance
2018-06-21
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: Pokud by úlohou vaší sítě bylo například detekovat chodce (v obraze vyššího než 100 pixelů), jaká by byla očekávatelná úspěšnost detekce? (Zdá se mi, že takový údaj z tabulek výsledků neplyne, je to pravda?) V kapitole 4.4. píšete o specifických vlastnostech architektur pro video. Jaké negativní efekty ve videu by se vyskytovaly, pokud byste takové specifické vlastnosti neaplikoval?
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení
DOI
Collections
Citace PRO