Detekce graffiti tagů v obraze
Loading...
Date
Authors
ORCID
Advisor
Referee
Mark
B
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta informačních technologií
Abstract
Cílem této práce je porovnat současné architektury modelů, zodpovědné za detekci objektů a použít je pro úlohu detekce graffiti tagů. Pro tyto účely byly v řešení vybrány state-of-the-art modely, které jsou podporovány frameworkem Tensorflow. Architektura Faster R-CNN byla nejpřesnější a architektura SSD nejrychlejší. Také byly provedeny experimenty s graffiti tagy z Athén na datasetu STORM, kde se zjistilo, že ke graffiti tagům je žádoucí přistupovat jako k objektům a ne jako k písmu.
The goal of this work is to compare today's architecture of object detection models and use them for the purpose of graffiti tag detection. State-of-the-art models, which are compatible with the Tensorflow framework, were used. Faster R-CNN architecture was found to be the most accurate and SSD architecture to be the fastest. Experiments with graffiti tags from Athens in the STORM dasater showed, that it is better to approach graffiti tags as objects rather than writings.
The goal of this work is to compare today's architecture of object detection models and use them for the purpose of graffiti tag detection. State-of-the-art models, which are compatible with the Tensorflow framework, were used. Faster R-CNN architecture was found to be the most accurate and SSD architecture to be the fastest. Experiments with graffiti tags from Athens in the STORM dasater showed, that it is better to approach graffiti tags as objects rather than writings.
Description
Citation
MOLISCH, M. Detekce graffiti tagů v obraze [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2021.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
Informační technologie
Comittee
prof. Dr. Ing. Pavel Zemčík (předseda)
doc. Ing. Lukáš Burget, Ph.D. (místopředseda)
doc. Mgr. Lukáš Holík, Ph.D. (člen)
Ing. Tomáš Martínek, Ph.D. (člen)
Ing. Petr Matoušek, Ph.D., M.A. (člen)
Date of acceptance
2021-06-14
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: Jak byste poučeně upravoval neuronovou síť nebo způsob jejího učení, kdybyste měl za úkol dosáhnout výrazně větší úspěšnosti detekce? Kvantifikujte Vaše rozšíření existujících datasetů a možnosti jeho použití (licence, autorství, atd.).
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení