but.committee	prof. Dr. Ing. Pavel Zemčík (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) Ing. Michal Fusek, Ph.D. (člen) Ing. Tomáš Martínek, Ph.D. (člen) Ing. Petr Matoušek, Ph.D., M.A. (člen)	cs
but.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: Můžete v tabulce zobrazit dohromady všechny výsledky z kapitolky 5.4? Můžete vysvětlit přesněji nastavení detektoru, který jste použil? Můžete například zobrazit všechny "anchors" při vámi použitými "mask" a zobrazit, jaké se vybraly "kotvy" po jejich přepočítání?	cs
but.jazyk	čeština (Czech)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Herout, Adam	cs
dc.contributor.author	Kočica, Filip	cs
dc.contributor.referee	Hradiš, Michal	cs
dc.date.accessioned	2019-07-08T15:56:26Z
dc.date.available	2019-07-08T15:56:26Z
dc.date.created	2019	cs
dc.description.abstract	Tato práce řeší problematiku detekce dopravního značení za pomoci moderních technik zpracování obrazu. K řešení byla použita speciální architektura hluboké konvoluční neuronové sítě zvaná YOLO, tedy You Only Look Once, která řeší detekci i klasifikaci objektů v jednom kroce, což celý proces značně urychluje. Práce pojednává také o porovnání úspěšnosti modelů trénovaných na reálných a syntetických datových sadách. Podařilo se dosáhnout úspěšnosti 63.4% mAP při použití modelu trénovaného na reálných datech a úspěšnosti 82.3% mAP při použití modelu trénovaného na datech syntetických. Vyhodnocení jednoho snímku trvá na průměrně výkonném grafickém čipu ~40.4ms a na nadprůměrně výkonném čipu ~3.9ms. Přínosem této práce je skutečnost, že model neuronové sítě trénovaný na syntetických datech může za určitých podmínek dosahovat podobných či lepších výsledků, než model trénovaný na reálných datech. To může usnadnit proces tvorby detektoru o nutnost anotovat velké množství obrázků.	cs
dc.description.abstract	This thesis deals with the traffic sign detection problematics using modern techniques in image processing. Special architecture of deep convolutional neural network YOLO, i.e. You Only Look Once, which performs both detection and classification in one step, has been used. This architecture allows object detector to work on very high speeds. This thesis also deals with comparison of models trained on real and synthetic datasets. The best model trained on real dataset has reached 63.4% mAP success rate and 82.3% mAP when trained on synthetic dataset. Evaluation of one image takes about ~40.4ms on average graphics processing unit and ~3.9ms on higher than average graphics processing unit. The benefit of this thesis is that under certain conditions neural network model trained on synthetic data can achieve same or even better results than model trained on real data. This may simplify process of object detector development since it is not necessary to annotate large number of images.	en
dc.description.mark	B	cs
dc.identifier.citation	KOČICA, F. Detekce dopravních značek v obraze a videu [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2019.	cs
dc.identifier.other	122201	cs
dc.identifier.uri	http://hdl.handle.net/11012/180281
dc.language.iso	cs	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	konvoluční neuronová síť	cs
dc.subject	YOLO	cs
dc.subject	detekce	cs
dc.subject	klasifikace	cs
dc.subject	syntetická	cs
dc.subject	reálná	cs
dc.subject	datová sada	cs
dc.subject	dopravní značka	cs
dc.subject	convolutional neural network	en
dc.subject	YOLO	en
dc.subject	detection	en
dc.subject	classification	en
dc.subject	synthetic	en
dc.subject	real	en
dc.subject	dataset	en
dc.subject	traffic sign	en
dc.title	Detekce dopravních značek v obraze a videu	cs
dc.title.alternative	Detection of Traffic Signs in Image and Video	en
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2019-06-10	cs
dcterms.modified	2019-07-08-13:31:33	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	122201	en
sync.item.dbtype	ZP	en
sync.item.insts	2021.11.22 22:04:03	en
sync.item.modts	2021.11.22 21:36:11	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav počítačové grafiky a multimédií	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Detekce dopravních značek v obraze a videu

Files

Original bundle

Collections