but.committee	prof. Ing. Tomáš Hruška, CSc. (předseda) prof. Ing. Mária Bieliková, Ph.D. (člen) doc. Ing. Hana Kubátová, CSc. (člen) Ing. Jiří Kadlec, CSc. (člen) doc. Ing. Jozef Honec, CSc. (člen)	cs
but.defence	The student presented the goals and results, which he achieved within the solution of the dissertation. The student has competently answered the questions of the committee members and opponents and quests. The committee has agreed by a majority/unanimously that the student has fulfilled requirements for being awarded the academic title Ph.D.	cs
but.jazyk	angličtina (English)
but.program	Výpočetní technika a informatika	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Zemčík, Pavel	en
dc.contributor.author	Kolář, Martin	en
dc.contributor.referee	Machová, Kristína	en
dc.contributor.referee	Arridge, Simon	en
dc.date.accessioned	2022-06-16T06:54:42Z
dc.date.available	2022-06-16T06:54:42Z
dc.date.created	2022	cs
dc.description.abstract	Metody strojového vidění se zdokonalují zlepšením modelů, laděním trénovaných parametrů nebo anotací reprezentativních dat. Tato práce řadou experimentů potvrzuje hypotézu že aktivní učení zvyšuje přesnost těchto modelů. Rozšířením přistupu pseudolabelů o aktivní učení přispívá tato práce přístupem "one-shot-learning" k učení nových kategorií obrazů s použitím algoritmických doporučení, dále online grafickým uživatelským rozhraním pro optimalizaci dilema Exploration/Exploitation pro online tagování, a dvoukrokovým offline binárním přístupem aktivního učení pro zlepšení kvality dat používaných pro snímání fontů. Tím, že demonstruje přínos aktivního učení v těchto přístupech, přispívá tato práce k hypotéze i konkrétním aplikacím strojového vidění.	en
dc.description.abstract	Machine Vision methods benefit from improving models, tuning trained parameters, or labeling representative data. In a series of experiments, this work validates the hypothesis that Active Learning improves the accuracy of these models. By extending the pseudolabel framework to Active Learning, this work includes a One-shot-learning approach to learn novel image categories by utilising an algorithmic recommender, an online Graphical User Interface to optimise the online Exploration/Exploitation tradeoff for tagging, and a two-step offline binary Active Learning framework to improve the quality of data used for Font Capture. By demonstrating the benefit of Active Learning in these approaches, this work contributes to the hypothesis, as well as concrete Machine Vision applications.	cs
dc.description.mark	P	cs
dc.identifier.citation	KOLÁŘ, M. Počítačové vidění s aktivním učením [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2022.	cs
dc.identifier.other	143128	cs
dc.identifier.uri	http://hdl.handle.net/11012/204610
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Počítačové vidění	en
dc.subject	Detekce objektů	en
dc.subject	Částečné učení s učitelem	en
dc.subject	aktivní učení	en
dc.subject	přenášené učení	en
dc.subject	Computer Vision	cs
dc.subject	Object Classification	cs
dc.subject	Semi-supervised Learning	cs
dc.subject	Active Learning	cs
dc.subject	Transfer Learning	cs
dc.title	Počítačové vidění s aktivním učením	en
dc.title.alternative	Computer Vision with Active Learning	cs
dc.type	Text	cs
dc.type.driver	doctoralThesis	en
dc.type.evskp	dizertační práce	cs
dcterms.dateAccepted	2022-02-24	cs
dcterms.modified	2022-03-17-12:09:46	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	143128	en
sync.item.dbtype	ZP	en
sync.item.insts	2022.06.16 08:54:42	en
sync.item.modts	2022.06.16 08:14:42	en
thesis.discipline	Výpočetní technika a informatika	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Doktorský	cs
thesis.name	Ph.D.	cs

Počítačové vidění s aktivním učením

Files

Original bundle

Collections