Show simple item record

Deep learning methods for image processing

dc.contributor.advisorKolář, Radimcs
dc.contributor.authorKřenek, Jakubcs
dc.date.accessioned2020-08-31T11:59:25Z
dc.date.available2020-08-31cs
dc.date.created2017cs
dc.identifier.citationKŘENEK, J. Metody hlubokého učení pro zpracování obrazů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2017.cs
dc.identifier.other102390cs
dc.identifier.urihttp://hdl.handle.net/11012/69401
dc.description.abstractTato diplomová práce se zabývá metodami hlubokého učení pro rozpoznávání obrazů přes historii po vývoj moderních metod. Hlavní důraz je kladen na konvoluční neuronové sítě a na nich postavené modely určené pro klasifikaci, detekci a segmentaci obrazu. Metody jsou následně využity pro praktickou aplikaci počítání projíždějících automobilů na snímcích z dopravní kamery. Po otestování dostupných modelů byla použita architektura sítě YOLOv2, která byla přetrénována na vlastní sadě trénováních dat. Součástí aplikace je i přidání sledovacího algoritmu SORT.cs
dc.description.abstractThis master‘s thesis deals with the Deep Learning methods for image recognition tasks from the first methods to the modern ones. The main focus is on convolutional neural nets based models for classification, detection and image segmentation. These methods are used for practical implemetation – counting passing cars on video from traffic camera. After several test of available models, the YOLOv2 architecture was chosen and retrained on own dataset. The application also includes the addition of the SORT tracking algorithm.en
dc.language.isocscs
dc.publisherVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologiícs
dc.rightsPřístup k plnému textu prostřednictvím internetu byl licenční smlouvou omezen na dobu 3 roku/letcs
dc.subjectUmělé neuronové sítěcs
dc.subjecthluboké učenícs
dc.subjectTensorflowcs
dc.subjectkonvoluční neuronové sítěcs
dc.subjectrozpoznávání obrazůcs
dc.subjectdetekce a sledování objektůcs
dc.subjectArtificial neural networksen
dc.subjectDeep Learningen
dc.subjectTensorflowen
dc.subjectconvolutinal neural netsen
dc.subjectimage recognitionen
dc.subjectobject detection and trackingen
dc.titleMetody hlubokého učení pro zpracování obrazůcs
dc.title.alternativeDeep learning methods for image processingen
dc.typeTextcs
dcterms.dateAccepted2017-08-31cs
dcterms.modified2017-09-01-09:13:57cs
thesis.disciplineBiomedicínské a ekologické inženýrstvícs
thesis.grantorVysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. Ústav biomedicínského inženýrstvícs
thesis.levelInženýrskýcs
thesis.nameIng.cs
sync.item.dbid102390en
sync.item.dbtypeZPen
sync.item.insts2021.11.12 17:13:44en
sync.item.modts2021.11.12 15:58:11en
eprints.affiliatedInstitution.facultyFakulta elektrotechniky a komunikačních technologiícs
dc.contributor.refereeChmelík, Jiřícs
dc.description.markAcs
dc.type.drivermasterThesisen
dc.type.evskpdiplomová prácecs
but.committeedoc. Ing. Jiří Kozumplík, CSc. (předseda) doc. Ing. Daniel Schwarz, Ph.D. (místopředseda) Ing. Vratislav Harabiš, Ph.D. (člen) Ing. Jiří Sekora (člen) MUDr. Šárka Sekorová (člen) Ing. Martin Mézl, Ph.D. (člen)cs
but.defenceStudent prezentoval výsledky své práce a komise byla seznámena s posudky. Student objasnil, že schéma sítě a její nastavení je na přiloženém CD. Doc. Schwarz položil otázku Konvoluční sítě jste použil z vlastní iniciativy, nebo to bylo dáno zadáním? Používal jste Python? Sledujete chybovou funkci, ale na jejím základě se nerozhodujete, k čemu ji tedy používáte? Ing. Sekora položil otázku Do jaké rychlosti jste schopen detekovat auto? Student obhájil diplomovou práci a odpověděl na otázky členů komise a oponenta.cs
but.resultpráce byla úspěšně obhájenacs
but.programElektrotechnika, elektronika, komunikační a řídicí technikacs
but.jazykčeština (Czech)


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record